RAG-Driven Generative AI gir leseren en grundig veiledning til hvordan man kan utvikle effektive store språkmodeller (LLM), datavisualisering og generative AI-systemer som opprettholder en optimal balanse mellom ytelse og kostnader. Boken dykker dypt ned i RAG (Retrieval-Augmented Generation) og beskriver hvordan man kan designe, administrere og kontrollere multimodale AI-pipelines. Ved å knytte utdata til sporbare kildedokumenter, forbedrer RAG nøyaktigheten og kontekstualiseringen av resultatene, og tilbyr en dynamisk tilnærming til utviklingen av pålitelige samtaleagenter. Lær hvordan du implementerer RAGs sporbare utdata, slik at hver respons kan knyttes tilbake til sitt kildegrunnlag, og oppdag hvordan integrering av sanntids menneskelig tilbakemelding samt kunnskapsgrafer kan styrke nøyaktigheten i generative AI-modeller. I tillegg adresserer boken balansen mellom kostnad og ytelse ved bruk av dynamiske hentingsdatasett og finjustering av statiske data, noe som gir en omfattende forståelse av fremtidens AI-teknologier.
