<h1>Gratulujeme! 🎉</h1> <p style="color:#637381;">Hotovo! Dokončili jste další milník.</p>

Chcete-li pokračovat, zadejte své údaje pro přihlášení.

Poslali jsme 6místný kód na #MAIL_ADDRESS#\nZkontrolujte prosím doručenou poštu nebo spam a zadejte níže kód pro pokračování.

Ověřovací kód odeslán

Děkujeme za platbu. Nyní můžete přistupovat k {collectionName} jednoduchým kliknutím na tlačítko níže.

Ano, úspěšně jste objednali! 🎉

Odemknout tento exkluzivní kurz

Zdá se, že vaše e-mailová adresa není momentálně na seznamu oprávněných přístupů. Ujistěte se prosím, že používáte e-mailovou adresu, která byla pozvána, nebo kontaktujte vlastníka obsahu pro pomoc.

Pro přístup je vyžadováno ověření

Úvod do RAG Architektury

Principy RAG a limity čistých LLM

Komponenty RAG ekosystému

Příprava dat a Chunking strategie

Pokročilé techniky chunkingu

Metadata a obohacování dat

Embeddings a Vektorové Databáze

Embedding modely a sémantický prostor

Výběr a optimalizace vektorové databáze

🎮 Pixel Quest: Architektura a Data

Optimalizace Retrievalu a Generování

Pokročilý Retrieval a Re-ranking

Prompt Engineering a minimalizace halucinací

Produkce a Evaluace

RAG Triad a metriky evaluace

Nasazení do produkce a bezpečnost

Kvíz: Ověření znalostí RAG

Kvíz: Základní principy RAG

Kvíz: Strategie Chunkingu

Kvíz: Práce s Metadaty

Kvíz: Embeddings a Vektory

Kvíz: Vektorové databáze

Kvíz: Retrieval techniky

Kvíz: Prevence halucinací

Kvíz: Evaluace a Produkce

Zpětná vazba

Hodnocení technické hloubky kurzu

Hodnocení struktury a srozumitelnosti

Náměty pro další rozvoj

RAG Architektury v Praxi: Budování AI nad Firemními Daty je hands-on kurz pro technické profesionály, kteří chtějí bezpečně a efektivně využít velké jazykové modely nad interními dokumenty. Naučíte se navrhnout kompletní Retrieval-Augmented Generation (RAG) pipeline od ingesce dat přes optimalizovaný retrieval až po generování odpovědí s citacemi zdrojů a měřitelnou kvalitou. Projdeme rozdíly mezi čistými LLM, fine-tuningem a RAG přístupem, aby vaše AI systémově předcházel halucinacím, pracoval s aktuálním obsahem a škáloval do produkce. Prakticky si osvojíte strategie chunkingu (fixed, recursive, semantic, parent-child), návrh metadat pro self-querying retrieval, výběr embedding modelů a správu vektorových databází (Pinecone, Weaviate, Qdrant, Chroma, pgvector). Získáte schopnost kombinovat dense a sparse vyhledávání, využívat re-ranking a techniky jako HyDE či contextual compression pro vyšší relevanci. Závěr kurzu pokrývá evaluaci pomocí RAG Triad metrik (context relevance, groundedness, answer relevance), automatizované testování (Ragas, TruLens, Phoenix) a best practices pro nasazení: streaming, caching, RBAC na úrovni chunků a průběžnou údržbu znalostní báze. Pokud chcete proměnit firemní dokumenty ve spolehlivého asistenta s jasně měřitelnou kvalitou, jste na správném místě.

RAG Architektury v Praxi: Budování AI nad Firemními Daty

<div class="simple-box-wrapper">
    <div class="simple-box">
        <div class="column">
            <p>V současném prostředí podnikových informačních systémů představuje integrace velkých jazykových modelů (LLM) s vlastními datovými zdroji zásadní technologickou výzvu. Přestože moderní modely disponují pokročilými schopnostmi uvažování, jejich praktické nasazení v korporátní sféře často naráží na limity v podobě halucinací, neaktuálnosti trénovacích dat a omezeného kontextového okna. Architektura Retrieval-Augmented Generation (RAG) se etablovala jako dominantní řešení těchto nedostatků, neboť umožňuje dynamicky propojovat generativní sílu AI s autoritativními znalostními bázemi organizace. Pro CTO, technické architekty a vedoucí vývoje je pochopení nuancí mezi RAG přístupem a metodami fine-tuningu klíčové pro návrh systémů, které jsou nejen inteligentní, ale především fakticky správné a bezpečné.</p>

<p>Tento odborný kurz poskytuje hluboký technický vhled do celého ekosystému RAG, od precizního zpracování dokumentů a pokročilých strategií chunkingu až po nasazení do produkčního prostředí. Detailně analyzujeme roli orchestrátorů, jako jsou LangChain či LlamaIndex, a kritéria pro výběr optimálních embedding modelů a vektorových databází, včetně algoritmů pro efektivní indexaci a sémantické vyhledávání. Účastníci se naučí implementovat pokročilé techniky pro zvýšení relevance, jako je hybridní vyhledávání, re-ranking a metoda HyDE, a zároveň osvojí metodiku evaluace pomocí RAG Triad pro objektivní měření přesnosti a věrnosti odpovědí. Důraz je kladen také na inženýrské aspekty provozu, včetně minimalizace latence, zajištění bezpečnosti dat na úrovni jednotlivých chunků a robustního prompt engineeringu pro eliminaci nežádoucích výstupů v kritických firemních aplikacích.</p>
        </div>
    </div>
</div>
