Dieser Kurs ist darauf ausgelegt, Ihnen beizubringen, wie Sie effektiv mit textbasierten Dokumenten unter Verwendung der Kraft großer Sprachmodelle (LLMs) interagieren können. Der Schwerpunkt liegt auf der Arbeit mit PDF-Dokumenten, da dies das am häufigsten verwendete Format in der Geschäftswelt ist. Die Techniken, die Sie lernen werden, können jedoch auf alle Arten von textbasierten Dokumenten angewendet werden.

Der Kurs beginnt mit dem Aufbau einer grundlegenden Abrufpipeline und der Erkundung ihrer verschiedenen Komponenten. Von dort aus werden wir in fortgeschrittenere Techniken wie Neuanordnung, Abfragerweiterung, Mehrfachabfrage-Abruf und hypothetische Dokumenteneinbettung eintauchen. Wir werden auch behandeln, wie semantische Suche mit herkömmlicher schlüsselwortbasierter Suche kombiniert werden kann, und die Verwendung des Pyramid Document Retriever erkunden, um den vom Einbettungsmodell abgerufenen Kontext zu erweitern.

Das Ziel ist es nicht nur, Ihnen beizubringen, was diese verschiedenen Techniken sind, sondern auch wann und warum Sie sie einsetzen sollten. Im Laufe des Kurses werden wir praktische Codebeispiele bereitstellen, um Ihnen bei der Umsetzung dieser Techniken in Ihren eigenen Projekten zu helfen. Am Ende des Kurses werden Sie ein voll funktionsfähiges Python-Paket haben, das Sie in Ihrer eigenen Arbeit einsetzen können.

Die Zielgruppe für diesen Kurs sind SaaS-Gründer, Entwickler, Führungskräfte und Hobbyisten. Um das Beste aus diesem Kurs herauszuholen, benötigen Sie Kenntnisse in Python. Dieser Kurs wird Ihnen dabei helfen, Ihre brillanten Ideen in funktionierende Prototypen umzuwandeln und Tausende von Dokumenten in Minuten statt Tagen zu analysieren.

In diesem Kurs werden wir eine Vielzahl von Themen im Zusammenhang mit der Interaktion mit textbasierten Dokumenten unter Verwendung der Kraft großer Sprachmodelle (LLMs) behandeln. Der Schwerpunkt liegt auf der Arbeit mit PDF-Dokumenten, da dies das am häufigsten verwendete Format in der Geschäftswelt ist.

Wir werden zunächst eine grundlegende Abrufpipeline aufbauen und ihre verschiedenen Komponenten erkunden, indem wir sie in Code implementieren. Von dort aus werden wir in fortgeschrittenere Techniken eintauchen, um die Leistung der Abrufpipeline zu verbessern, wie Neuanordnung, Abfragerweiterung und Mehrfachabfrage-Abruf.

Darüber hinaus werden wir Techniken zur Erzeugung hypothetischer Dokumente basierend auf dem Problem, an dem Sie arbeiten, untersuchen, die als "hypothetische Dokumenteneinbettung" bezeichnet werden. Wir werden auch Möglichkeiten untersuchen, mehrere Abrufe zu kombinieren, um die Leistung der Abrufpipeline zu verbessern, indem wir semantische Suchtechniken mit herkömmlicher schlüsselwortbasierter Suche kombinieren.

Darüber hinaus werden wir den Pyramid Document Retriever behandeln, eine Technik, die dazu beiträgt, den vom Einbettungsmodell abgerufenen Kontext zu erweitern.

Der Schwerpunkt des Kurses liegt nicht nur auf dem Verständnis dieser verschiedenen Techniken, sondern auch darauf, wann und warum man sie einsetzen sollte. Wir werden praktische Codebeispiele bereitstellen, um zu zeigen, wie man diese Techniken in verschiedenen Szenarien anwenden kann.

Dieser Kurs soll Ihnen praktische Fähigkeiten und Kenntnisse vermitteln, um die Kraft großer Sprachmodelle (LLMs) bei der Interaktion mit textbasierten Dokumenten, insbesondere PDFs, zu nutzen. Als Teilnehmer werden Sie lernen, wie Sie robuste Abrufpipelines aufbauen, fortgeschrittene Techniken wie Neuanordnung, Abfragerweiterung und Mehrfachabfrage-Abruf anwenden und Methoden zur Erzeugung hypothetischer Dokumente basierend auf Ihren spezifischen Bedürfnissen erkunden.

Der Dozent, der über einen Doktortitel und mehr als 7 Jahre Branchenerfahrung in der Leitung von Maschinenlern- und KI-Teams verfügt, hat einen starken technischen Hintergrund und eine Leidenschaft für Open-Source-Projekte. Er hat Systeme aufgebaut, die Zehntausende von Verbraucherprodukten antreiben, und eines der beliebtesten Open-Source-RAG-Projekte, Local GPT, mit über 19.000 Sternen auf GitHub erstellt.

Indem Sie an diesem Kurs teilnehmen, haben Sie die Möglichkeit, Ihre Fähigkeiten zu verbessern, in Ihrem Bereich zu innovieren und sich mit einer Gemeinschaft von Gleichgesinnten zu verbinden. Der Kurs wird Ihnen ein voll funktionsfähiges Python-Paket zur Verfügung stellen, das Sie in Ihren eigenen Projekten einsetzen können, und Sie haben Zugang zu einem dedizierten Kanal auf dem Prompt Engineering Discord-Server, in dem Sie direkt mit dem Dozenten und anderen Praktikern über die im Kurs behandelten Themen und darüber hinaus sprechen können.

Der Kurs wird sich in erster Linie auf die Verwendung großer Sprachmodelle (LLMs) und Einbettungsmodelle von OpenAI konzentrieren. Der Grund dafür ist, dass die API von OpenAI eine einfache und unkomplizierte Möglichkeit bietet, schnell Prototypen zu erstellen.

In der späteren Phase des Kurses werden wir jedoch auch erkunden, wie man lokale LLMs und Einbettungsmodelle verwendet, um die gesamte Pipeline lokal auszuführen, ohne sich auf externe APIs zu verlassen. Dies wird Ihnen die Flexibilität geben, die Modelle Ihrer Wahl zu verwenden und das System vollständig offline zu betreiben.

Die spezifischen Modelle, die wir verwenden werden, sind:

• OpenAIs GPT-3 und andere LLMs für verschiedene Text-Generations- und Verständnisaufgaben
• OpenAIs Einbettungsmodelle zur Erzeugung semantischer Darstellungen von Text
• Lokale LLM- und Einbettungsmodelle, wie z.B. von Hugging Face, um vollständig offline einsetzbare Lösungen zu ermöglichen

Am Ende des Kurses werden Sie ein solides Verständnis dafür haben, wie Sie diese Modelle nutzen können, um leistungsfähige textbasierte Dokumentenverarbeitungsanwendungen zu entwickeln, und Sie werden ein voll funktionsfähiges Python-Paket haben, das Sie in Ihren eigenen Projekten einsetzen können.