Produksjonsklar RAG og vektordatabaser for utviklere | Praktisk AI-opplæring | Applied Academy

Kurs/AI Engineering

NOK 5 990Mellomnivå · PostgreSQL · pgvector · Python · SQL · Engelsk

Produksjonsklar RAG og vektordatabaser for utviklere

Bygg, evaluer og sikre en RAG-tjeneste (retrieval-augmented generation) på PostgreSQL og pgvector for ShopNow, en fiktiv detaljhandelsbedrift.

FormatInstruktørledet1 dag · fysisk, instruktørledet

Varighet: 1 dag, live
Hvor: Klasserom, fysisk oppmøte
Laboppsett: Klargjort virtuell maskin med PostgreSQL og pgvector
Kursbevis: Ved fullføring

Caset · ShopNow

ShopNow har en RAG-prototype for kundeservice, men den gir feil svar, viser ingen kilder og tar ikke hensyn til tilgang til dokumenter.

DokumenterSyntetiske hjelpeartikler, retningslinjer og produktmanualer

I dagEn prototype uten tester

Du byggerEn testet RAG-tjeneste på PostgreSQL og pgvectorDel opp og indekser dokumentene, kombiner vektorsøk og fulltekstsøk, gi svar med kildehenvisninger og blokker dokumenter brukeren ikke har tilgang til.

SvarViser kildene sine eller sier at de ikke kan svare

KvalitetMålt med et fast evalueringssett

PostgreSQLpgvectorPython

ShopNow er en fiktiv bedrift. Alle data er syntetiske.

Etter kurset kan du

01Lese inn, dele opp og lage embeddinger av dokumenter i PostgreSQL med pgvector.
02Sette opp vektorindekser og måle balansen mellom recall og spørretid.
03Kombinere vektorsøk, fulltekstsøk og metadatafiltre for å forbedre gjenfinningen.
04Lage svar som viser kildene sine og avslår når konteksten ikke støtter et svar.
05Evaluere gjenfinning og svarkvalitet med et fast testsett.
06Bruke tilgangskontroll per dokument og planlegge oppdateringer, overvåking og kostnader i produksjon.

Steg

Inkluderer lunsjpause og korte pauser.

RAG-arkitektur for produksjonIdentifiser delene i en RAG-tjeneste, vanlige feil og kvalitetsmålene for ShopNows kundeserviceassistent.Lab · Kjør prototypen på testspørsmål og noter hvor den feiler.

Er du klar?

Laget forProgramvare- og datautviklere som bygger LLM-applikasjoner og vil ta en RAG-prototype til produksjon.

Du trengerGode Python-kunnskaper: funksjoner, pakker og virtuelle miljøer.Grunnleggende SQL, inkludert SELECT, WHERE og joins.Du trenger ingen tidligere erfaring med RAG eller vektordatabaser.

Sjekkliste for oppsettInstruktørledetTa med en bærbar PC med nettleser. Du kobler deg til den klargjorte virtuelle maskinen.Den virtuelle maskinen har PostgreSQL, pgvector, Python og modelltilgang installert.

Bedrifts-PC-er blokkerer noen ganger fjerntilkobling til den virtuelle maskinen. Sjekk med IT før kurset.

Spørsmål

Instruktører

Saleem Pothiwala

Data engineering, AI engineering, strategy

28+ years in data. Built Kermit Tech to help Nordic and Middle East enterprises turn data into competitive advantage. He helps teams build and use data and AI solutions, with hands-on experience across finance, research, and nonprofit organizations. An IBM StreamSets Black Belt, Saleem teaches through practical examples and guided exercises. His courses help learners turn technical concepts into skills they can use at work.

Syeda Eman Fatima

Machine Learning, RAG, Agentic AI

Syeda Eman Fatima is an AI/ML Engineer working across the full machine learning lifecycle. She builds data pipelines as code, with version control.