RAG — budowanie aplikacji AI z własnymi danymi
Framework-agnostyczny warsztat architektury Retrieval-Augmented Generation od podstaw do produkcji: embeddingi, bazy wektorowe, retrieval, ewaluacja i observability — bez przywiązania do jednego frameworka czy języka programowania.
RAG jako architektura, nie jeden framework
Retrieval-Augmented Generation łączy siłę modeli językowych z aktualną, firmową wiedzą — bez kosztownego i czasochłonnego fine-tuningu. Zamiast uczyć jednego konkretnego stosu (np. LangChain), szkolenie prowadzi przez zasady architektoniczne rządzące RAG: jak dane trafiają do indeksu, jak system znajduje właściwy fragment i jak model generuje odpowiedź opartą na znalezionym kontekście. Ta wiedza przenosi się na dowolny framework i język programowania.
Od chunkingu do rerankingu — decyzje, które robią różnicę
Jakość systemu RAG rozstrzyga się głównie na etapie przygotowania danych, nie w samym wywołaniu modelu. Warsztat pokazuje, jak strategia chunkingu i wybór modelu embeddingów wpływają na trafność wyszukiwania, jak działa wyszukiwanie hybrydowe łączące dopasowanie semantyczne ze słowami kluczowymi, oraz jak reranking poprawia jakość wyników przed przekazaniem ich do modelu.
Ewaluacja jako warunek zaufania do systemu produkcyjnego
System RAG bez systematycznej ewaluacji to system, któremu trudno zaufać w produkcji. Uczestnicy budują zestaw testowy do mierzenia trafności retrievalu i wierności odpowiedzi, a także poznają narzędzia do monitoringu (observability) działającego systemu — tak by wykrywać spadki jakości zanim zauważą je użytkownicy.
Korzyści
- Zaprojektowanie architektury RAG end-to-end: od źródła danych do odpowiedzi modelu
- Wybór strategii chunkingu i modelu embeddingów dopasowanych do typu danych
- Porównanie i dobór bazy wektorowej (vector database) do skali i wymagań projektu
- Zbudowanie procesu ewaluacji jakości odpowiedzi RAG i monitoringu (observability) w produkcji
Dla kogo jest to szkolenie?
Wymagania wstępne
- Znajomość podstaw programowania (Python preferowany, ale nie wymagany do zrozumienia architektury)
- Podstawowa znajomość działania modeli językowych (LLM) — poziom wprowadzający wystarczy
Program szkolenia
Architektura RAG — komponenty i przepływ danych
- Dlaczego RAG rozwiązuje problem ograniczonej wiedzy i halucynacji LLM
- Pełny przepływ: indeksowanie danych, retrieval, augmentacja promptu, generacja odpowiedzi
- Kiedy RAG, kiedy fine-tuning, a kiedy oba podejścia razem
- Przegląd frameworków (LangChain, LlamaIndex) i podejścia bez frameworka
Chunking i embeddingi — fundament jakości wyszukiwania
- Strategie chunkingu tekstu: stały rozmiar, semantyczny, hierarchiczny
- Wybór modelu embeddingów i wpływ na trafność wyszukiwania
- Metadane i wzbogacanie chunków o kontekst źródłowy
- Typowe błędy w przygotowaniu danych obniżające jakość RAG
Bazy wektorowe i retrieval
- Porównanie baz wektorowych: pgvector, Pinecone, Qdrant, Weaviate
- Wyszukiwanie hybrydowe: semantyczne + słowa kluczowe (hybrid search)
- Reranking wyników i techniki poprawy trafności retrievalu
- Skalowanie retrievalu przy dużych wolumenach dokumentów
Ewaluacja, observability i wdrożenie produkcyjne
- Metryki jakości RAG: trafność retrievalu, wierność odpowiedzi (faithfulness)
- Budowa zestawu testowego (evaluation dataset) do ciągłej ewaluacji
- Monitoring i observability systemu RAG w produkcji
- Koszty operacyjne, caching i optymalizacja wydajności
Formy realizacji
Online
- Wygoda uczestnictwa z dowolnego miejsca
- Interaktywne sesje na żywo z trenerem
- Materiały dostępne przez 30 dni
- Brak kosztów dojazdu
Stacjonarnie
- Bezpośredni kontakt z trenerem i grupą
- Intensywne warsztaty praktyczne
- Networking z innymi uczestnikami
- Pełne skupienie na nauce
Najczęściej zadawane pytania
Czym różni się to szkolenie od RAG i LangChain, RAG w praktyce oraz RAG klasy enterprise w C# i .NET w naszym katalogu?
Te trzy szkolenia uczą konkretnego frameworka lub stosu technologicznego (LangChain, produkcyjne wdrożenie od chunkingu, lub implementacja w C#/.NET). To szkolenie prowadzi przez architekturę end-to-end niezależną od frameworka — embeddingi, bazy wektorowe, retrieval i ewaluację — tak by uczestnik rozumiał zasady rządzące RAG i mógł je zastosować w dowolnym stosie technologicznym, nie tylko jednym narzędziu.
Czy trzy dni wystarczą, żeby zbudować produkcyjny system RAG?
Trzy dni wystarczą, by przejść pełną architekturę i zbudować działający prototyp end-to-end — od indeksowania dokumentów po odpowiedź modelu z cytowaniem źródeł. Skalowanie do pełnej produkcji wymaga dalszej pracy zespołu, ale uczestnicy wychodzą ze szkolenia z gotowym szablonem architektury i checklistą decyzji technicznych.
Jaką bazę wektorową wybrać dla mojego projektu?
Zależy od skali danych, budżetu i wymagań co do hostingu (self-hosted vs managed). Na szkoleniu porównujemy pgvector (rozszerzenie PostgreSQL, dobre na start), Pinecone i Weaviate (managed, skalowalne) oraz Qdrant (open source, wysoka wydajność) — z konkretnymi kryteriami wyboru dla różnych scenariuszy.
Jak sprawdzić, czy odpowiedzi systemu RAG są wiarygodne, a nie zmyślone?
Budujemy zestaw ewaluacyjny z pytaniami i oczekiwanymi źródłami, mierzymy trafność retrievalu (czy system znalazł właściwy fragment) oraz wierność odpowiedzi (faithfulness — czy odpowiedź trzyma się znalezionego kontekstu, bez halucynacji). Na szkoleniu pokazujemy narzędzia i metryki do systematycznej, powtarzalnej ewaluacji zamiast ręcznego sprawdzania pojedynczych przykładów.
Poproś o ofertę
Możliwości dofinansowania
Sprawdź możliwości dofinansowania dla Twojej firmy
Baza Usług Rozwojowych
Instrument dla mikro, małych i średnich firm — sprawdź, czy dotyczy Twojej organizacji
Sprawdź dostępnośćKrajowy Fundusz Szkoleniowy
Instrument dla pracodawców — pomagamy sprawdzić, czy da się go zastosować
Dowiedz się więcejZaufali nam
Szkolimy zespoły największych polskich firm
Zainteresowany tym szkoleniem?
Skontaktuj się z nami - przygotujemy ofertę dopasowaną do potrzeb Twojego zespołu.