Урок 1. Как LLM работает с документами и приватными данными (теория)
В уроке я простым языком объясняю, как ИИ “думает” под капотом и как сделать так, чтобы он начал отвечать по твоей информации, а не абстрактно. Пока что без математики и без кода
В уроке разбираем базу 😮:
– почему ChatGPT / Gemini / Claude не видят ваши документы и свежие данные;
– что такое RAG (Retrieval Augmented Generation) и какую проблему он решает;
– из каких этапов состоит RAG-pipeline: indexing → retrieval → generation;
– что такое embeddings, vector store и поиск по смыслу, а не по словам;
– почему RAG — это не дообучение модели, а работа с контекстом.
В курсе используем реальный продуктовый кейс – сервис Antarctic Wallet (оплата USDT по QR-коду в магазинах и сервисах), чтобы показать, как RAG применяется на практике (например, для автоматизации службы поддержки)
Домашнее задание:
– Составить пилотный тест для проверки качества RAG системы по данным со страницы F.A.Q.
🎞 Видео
📖 Методичка в Notion
❤️ Оплатить USDT по QR-коду
В следующем уроке — переходим к коду и собираем RAG-pipeline руками.
SemolinaCode | Chat | YouTube