Цели и задачи дисциплины
Целью освоения дисциплины является формирование у магистрантов глубоких теоретических знаний и устойчивых практических навыков для исследования и разработки масштабируемых архитектур интеллектуальных информационных систем, базирующихся на технологии генерации, дополненной поиском (Retrieval-Augmented Generation, RAG).
Для достижения данной цели в рамках курса решается комплекс задач: фундаментальное изучение математического аппарата векторного представления семантики данных и алгоритмов индексирования; освоение методов проектирования конвейеров поиска знаний с применением высокопроизводительных векторных баз данных; получение инженерного опыта интеграции как облачных, так и локальных больших языковых моделей (LLM) с внешними источниками данных; а также овладение строгими аналитическими методологиями количественной оценки, валидации и оптимизации качества генерируемых ответов.
Краткое содержание дисциплины
Содержание дисциплины охватывает полный жизненный цикл проектирования, разработки и тестирования современных RAG-архитектур. Учебный курс включает детальное изучение базовых и продвинутых этапов построения RAG, методов семантической векторизации текста, а также принципов функционирования векторных хранилищ (в частности, FAISS и Qdrant) и их обслуживание с фокусом на алгоритмы приближенного поиска ближайших соседей (HNSW, IVF). Особое внимание в программе уделено усложненным архитектурным паттернам: реализации гибридного поиска (интеграция разреженных матриц BM25 и плотных векторных представлений), механизмам кросс-энтропийного переранжирования (re-ranking) и алгоритмам трансформации пользовательского ввода (query rewriting, multi-query). На практике обучающиеся осваивают разработку пайплайнов с применением ведущих индустриальных фреймворков (LangChain, LlamaIndex), внедрение локальных инференс-движков (Ollama, vLLM) для обеспечения конфиденциальности обработки данных, методы оптимизации производительности (top-k поиск, кэширование) и комплексную оценку качества интеллектуальных систем с использованием специализированных метрик фреймворка RAGAS.