【新书】利用先进的生成式 AI 技术（如 RAG），释放数据的潜力，推动创新并获取战略优势

利用先进的生成式 AI 技术（如 RAG），释放数据的潜力，推动创新并获取战略优势

主要功能

使用向量数据库优化数据检索和生成 * 通过 AI 代理提升决策效率并自动化工作流程 * 克服实施真实 RAG 系统中的常见挑战 * 购买印刷版或 Kindle 版书籍即可免费获取 PDF 电子书

图书简介

By finelybook 生成式 AI 正在帮助组织以新的方式挖掘数据潜力，检索增强生成（RAG）技术结合了大型语言模型（LLM）与内部数据，从而实现更智能且相关性更高的 AI 应用。本书的作者结合了他十年机器学习的经验，为您提供在使用 RAG 推动变革性成果时所需的战略见解和技术专长。 本书探讨了 RAG 在增强组织运营中的作用，将理论基础与实用技术相结合。您将通过使用 LangChain 和 Chroma 向量数据库等工具的详细代码示例，获得在 AI 系统中集成 RAG 的实践经验。章节中包含了真实的案例研究和示例应用，展示了 RAG 的多种应用场景，包括搜索引擎和聊天机器人。您将学习如何管理向量数据库、优化数据检索、有效的提示工程（prompt engineering）、以及量化性能评估的方法。本书还介绍了将 RAG 与前沿 AI 代理及新兴的非 LLM 技术的高级集成。 通过本书的学习，您将能够在商业场景中成功部署 RAG，解决常见的挑战，并扩展该革命性 AI 技术的潜力。 您将学到的内容

了解 RAG 的原理及其在生成式 AI 中的重要性 * 将 LLM 与内部数据集成以增强业务运营 * 掌握向量化、向量数据库及向量搜索技术 * 发展专用于 RAG 的提示工程技能并设计精准的 AI 响应 * 了解 AI 代理在推动复杂 RAG 应用中的角色 * 克服可扩展性、数据质量和集成问题 * 探索优化数据检索和 AI 可解释性的策略

本书适合的人群本书适合 AI 研究人员、数据科学家、软件开发人员和业务分析师，他们希望利用 RAG 和生成式 AI 来增强数据检索、提高 AI 精度和推动创新。对于任何具备 AI 基础知识并寻求实践性学习的读者，本书都具有特别的吸引力。书中提供了真实的代码示例和策略，使其对技术和非技术读者都适用。需要具备 Python 和 Jupyter Notebook 的基础知识。 目录

什么是检索增强生成（RAG） * 代码实验室——完整的 RAG 流程 * RAG 的实际应用 * RAG 系统的组成部分 * 管理 RAG 应用中的安全性 * 与 RAG 和 Gradio 的接口 * 向量和向量存储在 RAG 中的关键作用 * 使用向量进行相似性搜索 * RAG 的定量和可视化评估 * LangChain 中的关键 RAG 组件 * 使用 LangChain 提升 RAG 效果 * 结合 AI 代理和 LangGraph 实现 RAG 的强大功能 * 通过提示工程改进 RAG 工作 * 改善结果的 RAG 高级技术

关于作者Keith Bourne 是强生公司的一名高级生成式 AI 数据科学家，拥有超过十年的机器学习和 AI 经验，曾在从初创企业到财富 500 强公司的各种项目中工作。他拥有巴布森学院的 MBA 学位和密歇根大学的应用数据科学硕士学位，曾从零开始开发多个复杂的模块化生成式 AI 平台，使用了包括 RAG、AI 代理和基础模型微调在内的多项先进技术。Keith 希望通过本书向更广泛的读者分享他的知识，致力于为那些希望利用这一前沿技术的组织揭开 RAG 的复杂性。