Twoja aplikacja AI halucynuje na każdym kroku? Prawdopodobnie problem leży nie w LLM-ie, a w sposobie, w jaki dostarczasz mu dane. Odkryj, jak wyszukiwanie wektorowe buduje niezawodne bazy wiedzy dla AI i dlaczego popularne rozwiązania, takie jak PGVector, mogą okazać się ślepą uliczką.
Zniżka dla pierwszych 10 osób na 15% na AI Miners: BSAI-15
Bilety: https://aiminers.pl/
🔔 Subskrybuj, aby nie przegapić nowych odcinków!
W tym odcinku podcastu zanurzamy się w techniczne aspekty wyszukiwania wektorowego. Dowiesz się, dlaczego proste filtrowanie może "zepsuć" wyniki w systemach wektorowych i jak radzą sobie z tym dedykowane silniki. Omawiamy, czym w praktyce jest wyszukiwanie hybrydowe, jak standaryzacja w postaci protokołu MCP zmienia ekosystem AI i dlaczego wybór odpowiedniego modelu embeddingowego jest często ważniejszy niż samego LLM-a.
Z tego odcinka dowiesz się:
🔹 Na czym polega praca Developer Advocate i jakie umiejętności są kluczowe na tej ścieżce kariery.
🔹 Czym wyszukiwanie wektorowe różni się od tradycyjnych metod opartych na słowach kluczowych.
🔹 Dlaczego dedykowane bazy wektorowe często mają przewagę nad rozszerzeniami takimi jak PGVector.
🔹 Jakie są kluczowe elementy budowy systemów RAG, od strategii chunkowania po wybór odpowiedniego modelu embeddingowego.
🔹 W jakich scenariuszach, poza RAG, wyszukiwanie wektorowe sprawdza się najlepiej.
🔹 Na czym polega wyszukiwanie hybrydowe i dlaczego łączenie różnych metod daje często najlepsze rezultaty.
🔹 Czy modele VLM i statyczne embeddingi to przyszłość wyszukiwania informacji.
🎙Prowadzący: https://www.linkedin.com/in/krzysztof-tutak/
👥 Gość: https://www.linkedin.com/in/kacperlukawski/
⭐️ Zobacz też:
🔹#14 Marcin Czarkowski, Przemek Smyrdek - https://youtu.be/SyPF8vhywt8
🔹#12 Adam Gospodarczyk - https://youtu.be/LBG3_L-sbJA
🔹#9 Piotr Brzyski - https://youtu.be/fhpw_5-GWHg
🔹#5 Jakub Mrugalski - https://youtu.be/gEhMWWaXfkQ
🔹#4 Mateusz Chrobok - https://youtu.be/AWC6c-fOcFE
Linki i transkrypcja:
🔹https://bliskiespotkaniazai.pl/r23
Rozdziały:
00:00 Dziś w odcinku
02:11 Wprowadzenie
02:24 Kacper Łukaski
02:57 Czym jest fundacja AI Embassy?
05:39 Na czym polega rola Developer Advocate?
12:21 Wyszukiwanie wektorowe vs klasyczne
16:01 Kiedy klasyczne wyszukiwanie wygrywa?
17:35 Wyszukiwanie wektorowe w RAG
19:10 Czym jest RAG?
22:04 Zastosowania baz wektorowych poza RAG
27:40 Qdrant vs PGVector: Co wybrać?
34:39 Kiedy rozszerzenie PGVector wystarczy?
37:21 Dlaczego filtrowanie jest trudne?
41:13 Czym jest wyszukiwanie hybrydowe?
45:40 Chunkowanie a jakość odpowiedzi
51:50 Jak wybrać model embeddingowy?
56:50 Polskie LLM w systemach RAG
01:00:11 Fine-tuning małych modeli: Czy warto?
01:03:39 Czym jest protokół MCP?
01:17:15 Jak wybrać silnik wyszukiwania?
01:21:00 Przyszłość wyszukiwania: VLM i embeddingi
01:26:54 Polecane materiały i zakończenie
#WyszukiwanieWektorowe #RAG #SztucznaInteligencja #BazyWektorowe #LLM