Understanding Corrective RAG in LangChain Course

선 사비타가 AI 애플리케이션에서 웹 검색을 사용해 정보를 수정하는 기능을 강조하며 수정 RAG 아키텍처에 대해 설명합니다.

### 랑그라의 수정 RAG 이해하기: 종합 가이드
* 👋 제 유튜브 채널에 오신 것을 환영합니다. 저는 선 사비타입니다. 랭그라 강좌의 **13번째 영상은 교정용 RAG에 초점을 맞췄습니다.**
* 📚 이 동영상은 **교정 RAG를 시작으로 에이전트 RAG, 적응형 RAG, 셀프 RAG 등 다양한 유형의 에이전트 RAG**에 대해 설명하는 시리즈의 시작을 알리는 동영상입니다.
* 📝 강의 계획서에는 에이전트와 관련된 기본 개념, Lang 그래프 기본 사항, 일반적인 에이전트 패턴, 나머지 두 가지 핵심 주제가 포함되어 있습니다: **애플리케이션 개발에 필수적인 RAG 및 다중 에이전트 시스템**입니다.
* 🔍 수정 RAG는 지식 정정 기능을 포함하며, **RAG가 잘못된 답을 제공하면 인터넷에서 정확한 정보를 검색**하여 정정할 수 있습니다.
* 💡 수정 RAG의 아키텍처는 **데이터 주입, 검색, 생성의 세 단계**로 구성되며, 사용자 쿼리에서 검색 노드까지 프로세스가 시작됩니다.
* 🌐 "검색된 문서가 관련성이 없는 경우 **쿼리를 다시 작성**하고 웹 검색을 수행하여 올바른 정보를 가져옵니다."
* 🛠 Lang 그래프를 사용하여 **검색을 위한 노드 생성, 문서 채점, 답변 생성, 쿼리 변환 및 웹 검색**을 수행하는 구현을 시연해 보겠습니다.
* 📊 이 동영상은 **수정 RAG에 대한 심층적인 이해**를 제공하여 시청자가 프로젝트에서 효과적으로 구현할 수 있도록 하는 것을 목표로 합니다.

LangGraph:13 Corrective RAG for Real Time AI Application #llm #genai #aiagents #ai #langchain #genai

Welcome to my YouTube channel, where I empower minds with data! 

My name is Sunny Savita, and I'm a data scientist and AI engineer with almost four years of expertise across many domains. On my YouTube channel, I provide high-quality, free videos about everything data-related. My goal is to make complex data science concepts more understandable.

Please subscribe and support this channel.  I commit to create more interesting contents as we move forward.


Sunny Savita

RAG에 초점을 맞춘 엔드투엔드 LangChain 과정의 13번째 동영상을 소개합니다.

수정 RAG, 에이전트 RAG, 적응형 RAG 및 셀프 RAG를 다루는 예정된 동영상 개요입니다.

나머지 주제를 강조하는 코스 강의 계획서 프레젠테이션: RAG 및 멀티 에이전트 시스템

LangChain과 AI 애플리케이션 구축의 맥락에서 RAG에 대한 심층적인 이해에 중점을 둡니다.

관련 콘텐츠에 쉽게 액세스할 수 있도록 YouTube 채널에 정리된 재생 목록에 대한 정보입니다.

RAG(검색 증강 생성)에 대한 간략한 개요와 데이터 주입, 검색, 생성의 세 단계에 대해 알아보세요.

표준 RAG에서 제공하는 오답을 수정하는 데 중점을 둔 수정 RAG를 소개합니다.

유연성과 루핑 기능을 강조하면서 수정 RAG를 구현하기 위해 LangChain 그래프를 사용하는 방법에 대해 설명합니다.

초기 RAG가 실패할 경우 수정 RAG가 인터넷에서 데이터를 가져와서 정보를 수정하는 방법에 대한 설명입니다.

LangChain 그래프를 사용하여 수정 RAG 아키텍처에 대한 자세한 설명과 워크플로우를 보여줍니다.

코드 구조 및 위치 개요(GitHub 리포지토리).

모델을 로드하고 기능을 확인하기 위한 코드(Google의 JAX LLM)입니다.

리트리버 생성, 데이터 주입, 벡터 데이터베이스를 사용한 유사도 검색을 수행하는 코드입니다.

RAG 체인을 생성하고 기능을 테스트하기 위한 코드입니다.

웹 로더를 사용하여 블로그 글 URL에서 데이터를 가져오고 데이터를 청크 처리하는 방법에 대한 설명입니다.

LangChain의 상태 그래프를 사용하여 상태 및 워크플로우를 정의하여 수정 RAG를 생성하는 코드입니다.

리트리버, 그레이더, 생성기, 쿼리 변환기 및 웹 검색을 위한 함수 생성.

주어진 쿼리에 대한 문서의 관련성을 확인하기 위해 쿼리 그레이더를 만드는 코드입니다.

문서 관련성을 기반으로 쿼리를 변환하는 쿼리 재작성기를 만들기 위한 코드입니다.

수정 RAG 파이프라인의 최종 코드 실행 및 데모.

수정 RAG 아키텍처 및 워크플로 검토.

실행 프로세스에 대한 단계별 설명으로, 시스템이 관련 문서와 관련 없는 문서를 처리하는 방법을 보여줍니다.

아키텍처 및 데이터 소스에 대한 잠재적인 수정 사항에 대해 논의합니다.

관련성 있는 쿼리와 관련성 없는 쿼리의 예와 함께 코드를 최종 실행합니다.

시청자를 위한 결론 및 콜투액션.