Le module sur le reranking a complètement changé ma façon d'aborder mes pipelines RAG, je ne pensais pas que ça ferait une telle différence sur la pertinence des résultats. L'utilisation de LangChain pour combiner recherche hybride et réécriture de requêtes est expliquée de manière très concrète.
RAG dengan Python: Hybrid Search, Reranking, dan Rewriting
Pelajari cara membangun aplikasi Retrieval-Augmented Generation modern menggunakan LangChain, vector databases, dan teknik pencarian cerdas dari awal.
-
💬
Instruktur AI
Tanyakan apa pun tentang pelajaran dan dapatkan jawaban jelas seketika, kapan saja. -
🕐
Mulai kapan saja
Tanpa jadwal atau tenggat — belajar dengan kecepatan sendiri, kapan pun Anda mau. -
🌐
Dalam bahasa Indonesia
Pelajaran, tugas, dan sertifikat — semuanya sepenuhnya dalam bahasa Anda.
Tentang kursus ini
Large language models sangat kuat, tetapi mereka sering kali kurang memiliki akses ke data spesifik Anda. Retrieval-Augmented Generation (RAG) menjembatani celah ini, memungkinkan Anda menghubungkan AI ke basis pengetahuan khusus.
Dalam kursus berbasis teks ini, Anda akan mengeksplorasi cara membangun sistem RAG yang tangguh menggunakan Python. Dimulai dengan konsep dasar, Anda akan maju ke penerapan teknik modern seperti hybrid search, result reranking, dan query rewriting untuk meningkatkan akurasi respons AI secara drastis.
Apa yang akan Anda pelajari: Memahami arsitektur inti dan terminologi dari Retrieval-Augmented Generation; Membangun pipeline RAG dasar menggunakan Python dan LangChain; Mengimplementasikan vector databases untuk menyimpan dan mengambil document embeddings; Menerapkan teknik hybrid search yang menggabungkan keyword dan semantic retrieval; Meningkatkan akurasi AI menggunakan pola result reranking dan query rewriting; Mengeksplorasi konsep Agentic AI modern untuk pengambilan data otonom.
Kursus ini dimulai dengan definisi terminologi AI yang jelas sebelum beralih ke implementasi Python yang praktis. Anda akan membaca penjelasan mendalam, memeriksa cuplikan kode, dan berlatih membangun sistem pengambilan AI berbasis teks langkah demi langkah. Kursus ini dirancang untuk pemula dan calon pengembang; tidak diperlukan pengalaman sebelumnya dengan machine learning tingkat lanjut. Mulailah membaca hari ini untuk membuka kekuatan RAG modern dan membangun aplikasi berbasis data yang lebih cerdas.
Apa yang Anda dapatkan
-
📜
Sertifikat penyelesaian
Tambahkan ke profil LinkedIn Anda -
💬
Tutor AI pribadi
Bingung di tengah pelajaran? Tanya tutor bawaan kamu apa saja, kapan saja. -
🎧
Termasuk versi audio
Belajar di mana saja — tanpa layar -
♾️
Akses seumur hidup
Kembali kapan saja, tanpa kedaluwarsa -
📱
Ponsel atau komputer
Berfungsi di mana saja, perangkat apa saja -
💸
Pengembalian 14 hari
Tanpa pertanyaan -
⚡
Singkat dan fokus
2 jam 30 mnt konten praktis
Ulasan (6)
Selama ini saya cuma tahu RAG sebatas 'ambil dokumen terus masukin ke prompt', tapi kursus ini benar-benar membongkar detail yang sering dilewatkan seperti hybrid search dan reranking. Bagian yang paling membuka mata saya adalah query rewriting, ternyata banyak hasil pencarian yang buruk itu bukan karena embedding jelek tapi karena pertanyaan awal dari user memang ambigu. Contoh kode dengan LangChain dijelaskan langkah demi langkah sehingga saya bisa langsung praktik di proyek sendiri tanpa kebingungan. Urutan materinya juga masuk akal, dari retrieval sederhana sampai pipeline lengkap yang menggabungkan semua teknik. Setelah menyelesaikan kursus ini, hasil pencarian RAG saya jauh lebih relevan dibanding sebelumnya.
Давно искал внятное объяснение гибридного поиска, и здесь наконец сложилась картина: как совмещать плотные эмбеддинги с BM25 и зачем потом прогонять результаты через реранкер. Особенно зашёл блок про переписывание запроса перед обращением к векторной базе — раньше я недооценивал этот шаг, а он реально поднял качество выдачи в моём проекте на LangChain. Примеры рабочие, всё запускается без танцев с бубном. Единственное, по выбору самой векторной БД хотелось бы поглубже, но в целом курс закрыл почти все мои вопросы по RAG.
أخيرًا شرح واضح لكيفية دمج البحث الهجين وإعادة الترتيب في نظام RAG بدلاً من الاكتفاء بالاسترجاع البسيط. الجزء الخاص بإعادة صياغة الاستعلامات باستخدام LangChain كان عمليًا جدًا وساعدني في تحسين دقة النتائج بشكل ملموس.
Hibrit arama ve reranking konularını bu kadar net anlatan başka bir kaynak bulamamıştım. LangChain ile query rewriting kısmını uygulamalı örneklerle göstermesi, RAG pipeline'ının neden bazen alakasız sonuç döndürdüğünü anlamamı sağladı.
Good deep dive into the parts of RAG that most tutorials skip, especially the hybrid search and reranking sections which finally explained why my retrieval results were mediocre. The LangChain code examples are solid, though the query rewriting module could use a bit more explanation on tuning the prompts.
Pelajar lain juga mengambil
🔥 Populer
🎓 Dengan sertifikat
Generative AI untuk Seniman Tato: Desain dan Penempatan
Sertifikat
Praktik
59 zł
→
🔥 Populer
🎓 Dengan sertifikat
AI Voice Cloning: Bangun Suara Digital Pribadi Anda
Sertifikat
Praktik
59 zł
→
🔥 Populer
🎓 Dengan sertifikat
AI untuk Pengajar ESL: Pelajaran, Teks, dan Tes
Sertifikat
Praktik
59 zł
→
🔥 Populer
🎓 Dengan sertifikat
Fondasi LLMOps: Mendeploy, Melakukan Versi, dan Memantau LLM
Sertifikat
Praktik
59 zł
→
Pertanyaan umum
Apa yang saya butuhkan untuk mengikuti kursus ini? +
Cukup ponsel atau komputer dengan internet. Tidak ada instalasi atau perangkat khusus.
Bagaimana cara membayar? +
Dengan kartu via Stripe. Kami tidak menyimpan detail kartu — Stripe menanganinya dengan aman.
Bisakah saya mendapat refund? +
Ya — refund penuh dalam 14 hari, tanpa pertanyaan.
Berapa lama saya akan punya akses? +
Selamanya. Setelah membeli, kursus jadi milik Anda untuk dikunjungi lagi kapan saja.
Apakah saya akan mendapat sertifikat? +
Ya. Setelah selesai, Anda akan menerima sertifikat yang bisa ditambahkan ke profil LinkedIn.
Dibuat untuk pelajar di
Teknologi
Desain
Keuangan
Pemasaran
Kesehatan
Pendidikan
Perhotelan
Manufaktur