Μαθαίνεις να χτίζεις και να αξιολογείς προηγμένα RAG συστήματα με hybrid retrieval, reranking, Knowledge Graphs, GraphRAG, evals, permissions και observability.
Γρήγορη απάντηση
Advanced RAG & Knowledge Graphs με μια ματιά
Live online μάθημα για σχεδιασμό και αξιολόγηση advanced RAG με hybrid retrieval, reranking, metadata filters, knowledge graphs, GraphRAG, permissions, evals και observability.
- Baseline
- Chunking, embeddings και vector retrieval
- Hybrid search
- Semantic + lexical retrieval και metadata filters
- Reranking
- Reordering candidates πριν το generation step
- Graph layer
- Entities, relations και knowledge-graph context
- GraphRAG
- Local/global graph-informed retrieval όπου είναι κατάλληλο
- Security
- Permission-aware retrieval και tenant boundaries
- Evaluation
- Retrieval quality, answer quality, latency, cost και observability
- Κόστος
- 55 € / ώρα
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 και Knowledge Graphs 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 και Knowledge Graphs Προσαρμοσμένα στις Ανάγκες σας — Online, Πανελλαδικά
Είτε είστε αρχάριος είτε έχετε ήδη εμπειρία, τα Advanced RAG και Knowledge Graphs 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 και Knowledge Graphs, 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
RAG αρχιτεκτονική και failure modes
Χαρτογραφείς ingestion, indexing, retrieval, context assembly και generation και ξεχωρίζεις αν μια λανθασμένη απάντηση οφείλεται σε source data, retrieval ή generation.
Document parsing, chunking και metadata
Σχεδιάζεις chunking με βάση τη δομή του περιεχομένου και διατηρείς metadata για πηγή, έκδοση, ημερομηνία και δικαιώματα πρόσβασης.
Embeddings και vector indexes
Κατανοείς semantic similarity, embedding dimensionality και βασικά ANN indexes όπως HNSW, επιλέγοντας trade-offs ανάμεσα σε recall, latency και κόστος.
Hybrid retrieval και query rewriting
Συνδυάζεις lexical και semantic search, χρησιμοποιείς query expansion ή decomposition και αποφεύγεις να μετασχηματίζεις το ερώτημα με τρόπο που αλλάζει την πρόθεση.
Re-ranking και context selection
Εφαρμόζεις δεύτερο στάδιο κατάταξης και περιορίζεις το context στα πραγματικά χρήσιμα αποσπάσματα αντί να γεμίζεις το prompt με θόρυβο.
Multi-hop και agentic retrieval
Σχεδιάζεις retrieval που χρειάζεται περισσότερα από ένα βήματα, με σαφή stop conditions, tool budgets και traceable intermediate evidence.
Knowledge Graphs και GraphRAG
Μοντελοποιείς entities, relations και provenance και συνδυάζεις graph traversal με text retrieval όταν οι σχέσεις ανάμεσα σε οντότητες έχουν πραγματική αξία.
Evals για retrieval και answer quality
Δημιουργείς dataset ερωτήσεων και μετράς retrieval recall/precision, groundedness, citation correctness και task success πριν βγάλεις σύστημα σε production.
Security, permissions και prompt injection
Εφαρμόζεις document-level access control, source trust, tool restrictions και άμυνες απέναντι σε κακόβουλες οδηγίες που μπορεί να υπάρχουν στα retrieved documents.
Production observability, freshness και κόστος
Παρακολουθείς latency, token/context κόστος, cache, index freshness και failures και σχεδιάζεις incremental re-indexing αντί για άσκοπα full rebuilds.
Capstone: αξιολογήσιμο RAG/GraphRAG σύστημα
Ολοκληρώνεις σύστημα με ingestion, hybrid retrieval, reranking, citations, evals, permissions και dashboard βασικών ποιοτικών μετρικών.
Μικρό λεξικό Advanced RAG
- Embedding
- Διανυσματική αναπαράσταση περιεχομένου που επιτρέπει υπολογισμό σημασιολογικής ομοιότητας.
- Hybrid search
- Συνδυασμός lexical και semantic retrieval για καλύτερη κάλυψη διαφορετικών τύπων ερωτημάτων.
- Re-ranking
- Δεύτερη κατάταξη υποψηφίων αποτελεσμάτων με ισχυρότερο relevance model.
- Groundedness
- Βαθμός στον οποίο μια απάντηση στηρίζεται στις παρεχόμενες πηγές.
- Knowledge graph
- Γράφος οντοτήτων και σχέσεων με ρητή σημασιολογία και provenance.
- GraphRAG
- RAG προσέγγιση που αξιοποιεί δομή γράφου μαζί με κειμενικό retrieval.
Συχνές Ερωτήσεις
Πότε ένα απλό vector RAG δεν είναι αρκετό;
Τι είναι hybrid retrieval;
Τι κάνει το reranking;
Πότε έχει νόημα knowledge graph;
Τι είναι το GraphRAG;
Πώς αξιολογείται ένα RAG σύστημα;
Πώς αποφεύγουμε να διαρρεύσουν έγγραφα σε λάθος χρήστη;
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 σαςΜε τον δάσκαλο μου τον κ. Κωνσταντίνο, κάνω ένα εξέσιο μάθημα, όπου βελτιώνω τις γνώσεις μου στους υπολογιστές και μαθαίνω κώδικα με πολύ ωραίο τρόπο. Επίσης, είναι ομιλιτικός και ευγενικό με τον κόσμο και γενικότερα τους ανθρώπους. Εύχομαι, όλοι οι μαθητές που έχει και που θα έχει, να τον περιγράφουν θετικά και να έχουν ως πρότυπο (όπως εγώ) τον κ. Κωνσταντίνο ο οποίος είναι εξέσιος άνθρωπος και χαρακτήρας!
Δεν πίστευα ότι θα τα καταφέρω μέχρι που σας γνώρισα. Τα λόγια είναι περιττά. Ας κάνει κάποιος μάθημα μαζί σας και θα καταλάβει. Σας ευχαριστώ για όλα.
