Retrieval-Augmented Generation (RAG)

अपने दस्तावेज़ों पर आधारित प्रश्न-उत्तर systems बनाएँ: chunking, embeddings, keyword और hybrid search, reranking, prompts, citations, evaluation और production, छोटे चलाने योग्य उदाहरणों के साथ।

कोर्स शुरू करें →

पाठ्यक्रम

RAG क्यों और कैसे काम करता है

1. RAG क्यों है
2. RAG Pipeline शुरू से अंत तक
3. RAG बनाम Fine-Tuning बनाम Long Context
4. RAG क्या ठीक नहीं करता

दस्तावेज़ तैयार करना: Loading, Chunking, Metadata

1. दस्तावेज़ लोड करना और साफ़ करना
2. Chunking रणनीतियाँ
3. Metadata, अनुमतियाँ और पदानुक्रम

Retrieval: Keyword, Vector और Hybrid

1. Embeddings और Semantic Search
2. TF-IDF से Keyword Search
3. BM25: मानक Keyword Ranker
4. Hybrid Search और Reciprocal Rank Fusion
5. Vector Indexes और Approximate Search

Retrieval गुणवत्ता सुधारना

1. Query Rewriting और Expansion
2. Reranking और विविधता (MMR)
3. Top-k चुनना और Context लागत सँभालना

आधारित उत्तर बनाना

1. RAG Prompt बनाना
2. सत्यापन योग्य Citations
3. Groundedness जाँच और Refusals

RAG System का मूल्यांकन

1. Retrieval Metrics: Recall@k और MRR
2. उत्तरों का मूल्यांकन: Faithfulness और Relevance
3. विफलता विश्लेषण: कहाँ टूटा?

Production में RAG चलाना

1. Index को ताज़ा रखना
2. Security, Privacy और Prompt Injection
3. Latency, लागत और Caching
4. उन्नत पैटर्न: Agentic, Graph और Multimodal RAG

सब कुछ जोड़ना

1. केस स्टडी: Support Knowledge-Base सहायक
2. Revision: Cheat Sheet और Self-Check