Μάθε να συνδέεις το AI με πραγματικά δεδομένα χρησιμοποιώντας Advanced RAG και Knowledge Graphs. Εξάλειψε τις "παραισθήσεις" των LLMs και χτίσε αξιόπιστες AI εφαρμογές.
Το μάθημα για το Advanced RAG άλλαξε εντελώς τον τρόπο που αντιλαμβάνομαι τη διαχείριση δεδομένων. Είναι η πιο χρήσιμη γνώση που έχω αποκτήσει τα τελευταία χρόνια.
Περιγραφή
Advanced RAG & Knowledge Graphs: όταν ένα LLM πρέπει να ξέρει τα δικά σου δεδομένα
Retrieval-Augmented Generation (RAG) και knowledge graphs λύνουν ένα βασικό πρόβλημα: πώς κάνεις ένα LLM να απαντά με βάση συγκεκριμένα, ενημερωμένα δεδομένα, όχι μόνο ό,τι «ξέρει» από την εκπαίδευσή του. Προχωρημένο μάθημα, με έμφαση σε τεχνικές πέρα από βασικό RAG: chunking, επιλογή embeddings και vector database, hybrid search, re-ranking, multi-hop retrieval, κατασκευή knowledge graphs, GraphRAG, αξιολόγηση με πραγματικές μετρικές, καθώς και ζητήματα παραγωγής και ασφάλειας.
Για AI engineers και developers
Αν ήδη γνωρίζεις βασικό RAG και θέλεις να προχωρήσεις σε πιο σύνθετες τεχνικές — hybrid search, re-ranking, knowledge graphs, GraphRAG — δουλεύουμε πάνω σε πραγματικά, απαιτητικά σενάρια, μέχρι και ζητήματα παραγωγής όπως latency, κόστος και ασφάλεια.
Για φοιτητές πληροφορικής
Αν το advanced RAG ή τα knowledge graphs χρειάζονται για διπλωματική ή έρευνα, δουλεύουμε πάνω σε πραγματική υλοποίηση, με έμφαση στη μεθοδολογία και στην αξιολόγηση.
Τι χρειάζεται να γνωρίζεις ήδη
Χρειάζεται ήδη βασική εμπειρία με LLMs και προγραμματισμό (Python), και ιδανικά βασική εξοικείωση με βασικό RAG. Δεν χρειάζεται προηγούμενη εμπειρία με knowledge graphs.
Πες μου αν έχεις ήδη υλοποιήσει βασικό RAG, ώστε να ξεκινήσουμε απευθείας από τις πιο προχωρημένες τεχνικές.
Δομή Μαθημάτων
Θεωρία και Πρακτική: Τα Advanced RAG χωρίζονται σε θεωρία και εργαστήριο. Παρέχεται πληθώρα ασκήσεων για αυτοεκπαίδευση, υποστηριζόμενες από σύγχρονο ψηφιακό υλικό.
Θα μάθετε πώς να βελτιώνετε τις δεξιότητές σας στο αντικείμενο αυτό μέσα από πραγματικά σύγχρονα παραδείγματα και projects.
Πλεονεκτήματα
Να πηγαίνεις πέρα από βασικό RAG
Μαθαίνεις τεχνικές όπως hybrid search και re-ranking, που βελτιώνουν σημαντικά την ποιότητα ανάκτησης πληροφορίας.
Να επιλέγεις σωστά chunking, embeddings και vector database
Ξέρεις με ποια κριτήρια επιλέγεις στρατηγική chunking, embedding model και vector database για το δικό σου project.
Να χτίζεις και να αξιοποιείς knowledge graphs
Κατανοείς πώς ένα knowledge graph αναπαριστά σχέσεις ανάμεσα σε οντότητες, και πότε είναι καλύτερη επιλογή από απλή διανυσματική αναζήτηση.
Να συνδυάζεις retrieval σε κείμενο και γράφο
Μαθαίνεις πότε το GraphRAG δίνει πιο ακριβείς απαντήσεις από ένα καθαρά κειμενικό RAG σύστημα.
Να αξιολογείς αντικειμενικά την ποιότητα ενός RAG συστήματος
Μαθαίνεις μετρικές και μεθόδους αξιολόγησης, όπως faithfulness και context precision/recall, ώστε να ξέρεις αν το σύστημά σου πραγματικά βελτιώνεται.
Να αντιμετωπίζεις ζητήματα παραγωγής
Καταλαβαίνεις τι σημαίνει να πας ένα RAG σύστημα σε production — latency, κόστος, caching και ενημέρωση δεδομένων.
Να προστατεύεις το σύστημά σου από κινδύνους ασφάλειας
Αναγνωρίζεις κινδύνους όπως prompt injection και διαρροή δεδομένων, και μαθαίνεις βασικά guardrails.
Να χτίζεις ένα πλήρες, προχωρημένο σύστημα
Ολοκληρώνεις με ένα advanced RAG σύστημα, συνδυάζοντας ανάκτηση, re-ranking και, όπου ταιριάζει, knowledge graph.
Advanced RAG Προσαρμοσμένα στις Ανάγκες σας — Online, Πανελλαδικά
Είτε είστε αρχάριος είτε έχετε ήδη εμπειρία, τα Advanced RAG είναι εξατομικευμένα στον δικό σας ρυθμό μάθησης και τους στόχους σας, από την κατανόηση των βασικών εννοιών έως την ανάπτυξη σύνθετων projects.
Παρακολουθείτε online σε πραγματικό χρόνο, από την άνεση του χώρου σας, διαθέσιμα σε κάθε γωνιά της Ελλάδας.
Παρέχω συνεχή υποστήριξη με εργαστήρια, ασκήσεις και ψηφιακούς πόρους για να βελτιώσετε τις δεξιότητές σας και να είστε πάντα ένα βήμα μπροστά στην επαγγελματική ή ακαδημαϊκή σας εξέλιξη.
Πιστοποιητικό & Υποστήριξη Επαγγελματικής Ανάπτυξης
Με την ολοκλήρωση των μαθημάτων: Advanced RAG, παρέχεται πιστοποιητικό ολοκλήρωσης (μάθημα και ώρες) που μπορεί να εμπλουτίσει το επαγγελματικό σας προφίλ.
Προσφέρεται επίσης υποστήριξη στη δημιουργία επαγγελματικού βιογραφικού που θα σας βοηθήσει να ξεχωρίσετε στην αγορά εργασίας.
Curriculum
Ανασκόπηση RAG και τα όριά του
Θυμόμαστε πώς λειτουργεί το βασικό RAG, και εντοπίζουμε πού συχνά αποτυγχάνει σε πραγματικές εφαρμογές.
Chunking strategies και προεπεξεργασία δεδομένων
Μαθαίνεις πώς σπας σωστά τα έγγραφά σου σε κομμάτια (chunks), ώστε να διατηρείται το νόημα και να βελτιώνεται η ποιότητα ανάκτησης.
Επιλογή embedding model και vector database
Συγκρίνεις embedding models και vector databases, και μαθαίνεις με ποια κριτήρια επιλέγεις τα κατάλληλα για το δικό σου use case.
Indexing: HNSW, IVF και trade-offs
Κατανοείς πώς οργανώνεται ένα ευρετήριο διανυσμάτων, και τα trade-offs ανάμεσα σε ταχύτητα, ακρίβεια και κόστος μνήμης.
Query transformation και query expansion
Βλέπεις τεχνικές που βελτιώνουν το ερώτημα του χρήστη πριν την αναζήτηση, ώστε να ανακτώνται πιο σχετικά αποτελέσματα.
Hybrid search και re-ranking
Συνδυάζεις σημασιολογική και λεξική αναζήτηση, και μαθαίνεις τεχνικές re-ranking για καλύτερα αποτελέσματα.
Multi-hop και agentic retrieval
Μαθαίνεις πώς ένα σύστημα ανακτά πληροφορία σε πολλαπλά διαδοχικά βήματα, όταν η απάντηση απαιτεί συνδυασμό περισσότερων από μία πηγών.
Εισαγωγή σε knowledge graphs
Κατανοείς πώς αναπαριστώνται οντότητες και σχέσεις σε ένα knowledge graph, και πότε ταιριάζει στο πρόβλημά σου.
Κατασκευή knowledge graph: entity και relation extraction
Βλέπεις πρακτικά πώς εξάγεις οντότητες και σχέσεις από κείμενο, ώστε να χτίσεις ένα δικό σου knowledge graph.
GraphRAG: συνδυασμός retrieval σε κείμενο και γράφο
Μαθαίνεις πότε και πώς συνδυάζεις αναζήτηση σε κείμενο με πλοήγηση σε γράφο, για πιο ακριβείς και τεκμηριωμένες απαντήσεις.
Αξιολόγηση: μετρικές και μεθοδολογία
Γνωρίζεις μετρικές όπως faithfulness και context precision/recall, και εργαλεία όπως το RAGAS, ώστε να μετράς αντικειμενικά αν το σύστημά σου πραγματικά βελτιώνεται.
Production: latency, κόστος, caching και ενημέρωση δεδομένων
Βλέπεις τι αλλάζει όταν ένα RAG σύστημα πάει σε παραγωγή: διαχείριση latency και κόστους, caching και στρατηγικές για να κρατάς τα δεδομένα ενημερωμένα.
Ασφάλεια και guardrails
Μαθαίνεις βασικούς κινδύνους όπως prompt injection μέσα από ανακτημένα έγγραφα και διαρροή ευαίσθητων δεδομένων, και πώς τους περιορίζεις.
Το δικό σου ολοκληρωμένο advanced RAG και knowledge graph σύστημα
Χτίζεις και αξιολογείς ένα πλήρες σύστημα, εφαρμόζοντας όσα έμαθες σε πραγματικά δεδομένα.
Μικρό λεξικό Advanced RAG και Knowledge Graphs
- RAG (Retrieval-Augmented Generation)
- Τεχνική όπου ένα LLM ανακτά σχετικά δεδομένα πριν απαντήσει, αντί να βασίζεται μόνο στην εκπαίδευσή του.
- Knowledge graph
- Δομή δεδομένων που αναπαριστά οντότητες και τις σχέσεις μεταξύ τους, ως κόμβους και ακμές.
- Hybrid search
- Συνδυασμός σημασιολογικής (vector) και λεξικής αναζήτησης, για πιο ακριβή αποτελέσματα.
- Embedding
- Αριθμητική αναπαράσταση κειμένου, που επιτρέπει τη σύγκριση νοήματος ανάμεσα σε κείμενα.
- Chunking
- Η διαδικασία διαίρεσης ενός εγγράφου σε μικρότερα, διαχειρίσιμα κομμάτια πριν την ευρετηρίαση.
- Vector database
- Βάση δεδομένων ειδικά σχεδιασμένη για αποθήκευση και γρήγορη αναζήτηση embeddings.
- GraphRAG
- Προσέγγιση RAG που συνδυάζει ανάκτηση κειμένου με πλοήγηση σε knowledge graph.
- Faithfulness
- Μετρική αξιολόγησης που δείχνει πόσο πιστά η απάντηση ενός LLM βασίζεται στα ανακτημένα δεδομένα, χωρίς να «εφευρίσκει» πληροφορία.
Συχνές Ερωτήσεις
Πόσο διαρκεί κάθε μάθημα;
Ποιο είναι το κόστος ανά ώρα μαθήματος;
Υπάρχει δυνατότητα ομαδικών μαθημάτων;
Σε ποιο επίπεδο απευθύνεται;
Τι θεματικές/τεχνολογίες καλύπτονται;
Ποιος είναι ο εκπαιδευτής;
Πώς ξεκινάω;
Ομαδικά μαθήματα (max άτομα: 4)
Τα Ομαδικά Ιδιαίτερα Μαθήματα Πληροφορικής συνδυάζουν την ευελιξία ενός ιδιαίτερου με το πλεονέκτημα της συνεργατικής μάθησης.
Εάν έχεις φίλους, συμφοιτητές ή συναδέλφους με παρόμοιους στόχους, είναι φρόνιμο να οργανωθείτε οι ίδιοι σε ομάδα 2 έως 4 ατόμων.
Με αυτόν τον τρόπο, μπορείτε να επωφεληθείτε από σημαντικές εκπτώσεις στο κόστος των μαθημάτων, ενώ παράλληλα διατηρείτε την εξατομικευμένη προσέγγιση που προσφέρει ένα ιδιαίτερο μάθημα.
Η ομαδική μάθηση ενισχύει την κατανόηση μέσω της ανταλλαγής ιδεών και της συνεργασίας σε πρακτικές ασκήσεις, δημιουργώντας ένα υποστηρικτικό περιβάλλον που προάγει την επιτυχία όλων των συμμετεχόντων.
Ανάλογα με το κόστος του μαθήματος οι εκπτώσεις που ισχύουν είναι:
• 2 άτομα (έως 16% έκπτωση στο κόστος της ώρας ανά συμμετοχή)
• 3 ή 4 άτομα (έως 33% έκπτωση στο κόστος της ώρας ανά συμμετοχή)
Οικονομική Σύγκριση Ομαδικών Μαθημάτων
Παράδειγμα: για: Ιδιαίτερα Μαθήματα Advanced RAG και Knowledge Graphs με κόστος μαθήματος 55 € / ώρα:
| Μέγεθος Ομάδας | Τιμή ανά άτομο/ώρα | Όφελος Εκπαιδευόμενου vs 1‑1 | Προπληρωμή 10 ωρών |
|---|---|---|---|
| 1 άτομο (ιδιαίτερο) | 55 € | — | 550 € |
| 2 άτομα | 46 € | – 16% | 460 € |
| 3 άτομα | 37 € | – 33% | 370 € |
| 4 άτομα | 37 € | – 33% | 370 € |
Μαρτυρίες εκπαιδευόμενων
Ευχαριστώ θερμά τους παρακάτω μαθητές μου αλλά και συνολικά όλους τους εκπαιδευόμενους, για τα θετικά τους σχόλια και την εμπιστοσύνη τους.
Για όσους εκπαιδευόμενους έχουμε ολοκληρώσει μαθήματα μαζί, μπορείτε να αφήσετε την αξιολόγησή σας στο Google:
Αφήστε την αξιολόγησή σαςΤα πολλά λόγια είναι φτώχια – αRιστα σας βάζω. Ευαριστώ.
Δεν έχω λόγια να σας ευχαριστήσω για όσα κάνατε στο παιδί μου. Χάρη σε εσάς όχι μόνο τα κατάφερε σε όλη τη διάρκεια του σχολείου και στις εξετάσεις αλλά αγάπησε την πληροφορική όσο και εσάς. Ο θεός να σας έχει πάντα καλά.
