Kurs i obuka – Razvoj AI aplikacija i RAG sistema

Kurs je namenjen Python programerima i razvojnim timovima koji žele AI aplikacije zasnovane na sopstvenim dokumentima. Stečene veštine mogu biti korisne u internim bazama znanja, korisničkoj podršci, pretrazi dokumentacije i razvoju poslovnih aplikacija.

Preporučeno prethodno znanje: Python, API, HTTP/JSON i osnovno razumevanje LLM.

Tokom nastave polaznik će kroz praktičan rad učiti da:

• arhitektura LLM aplikacija – LLM API, tokeni, kontekst, prompt šabloni, tajne i budžet poziva.
• priprema i indeksiranje znanja – Učitavanje dokumenata, čišćenje, chunking, metapodaci, embedding.
• pretraga i RAG tok – Vektorska/bazna pretraga, hibridni pristup, top-k, reranking, citiranje izvora.
• razvoj korisničkog interfejsa i API-ja – REST API, sesije, obrada grešaka, granice konteksta i bezbedan prikaz.
• kvalitet i zaštita – Faithfulness, relevantnost, pristup po ovlašćenjima, prompt injection, logovanje.
• implementacija i projekat – Pakovanje, konfiguracija, troškovi, latencija, praćenje i dokumentacija.

Znanja iz oblasti „Razvoj AI aplikacija i RAG sistema“ mogu pomoći da se konkretnije pristupi zadacima kao što su izradu RAG prototipa sa učitavanjem dokumenata, pretragom, generisanjem odgovora i navođenjem izvora. Njihova vrednost je u pravilnom izboru postupka, jasnom dokumentovanju rada i proveri dobijenih rezultata.

RAG smanjuje neke rizike netačnih odgovora, ali zahteva evaluaciju, pravilne pristupe dokumentima i zaštitu od nebezbednih upita.

Obuka se organizuje kao individualna nastava (1 polaznik) u trajanju od 40 školskih časova, mikro grupa (2–3 polaznika) u trajanju od 40 školskih časova ili standardna grupna nastava (4 i više polaznika) u trajanju od 48 školskih časova.

Nastava se može realizovati uživo u prostorijama Akademije Oxford ili online, prema odabranom modelu. U grupnoj nastavi predviđeno je više vremena za dodatne vežbe, diskusiju i zajedničku proveru rezultata.

Po završetku obuke polaznik će moći da sprovede osnovni radni postupak iz oblasti „Razvoj AI aplikacija i RAG sistema“, primeni obrađene alate na zadati primer, proveri dobijene rezultate i predstavi praktično rešenje. Nivo samostalnosti zavisi od prethodnog znanja i složenosti konkretnog zadatka.

1. Arhitektura LLM aplikacija – LLM API, tokeni, kontekst, prompt šabloni, tajne i budžet poziva. Praktičan rad: Implementirati minimalan servis za upit modelu.
2. Priprema i indeksiranje znanja – Učitavanje dokumenata, čišćenje, chunking, metapodaci, embedding. Praktičan rad: Pripremiti skup dokumenata za pretragu.
3. Pretraga i RAG tok – Vektorska/bazna pretraga, hibridni pristup, top-k, reranking, citiranje izvora. Praktičan rad: Povezati retriever i generator sa dokazima.
4. Razvoj korisničkog interfejsa i API-ja – REST API, sesije, obrada grešaka, granice konteksta i bezbedan prikaz. Praktičan rad: Napraviti prototip aplikacije za pitanja i odgovore.
5. Kvalitet i zaštita – Faithfulness, relevantnost, pristup po ovlašćenjima, prompt injection, logovanje. Praktičan rad: Napraviti evaluacioni skup i testirati ponašanje.
6. Implementacija i projekat – Pakovanje, konfiguracija, troškovi, latencija, praćenje i dokumentacija. Praktičan rad: Demonstrirati RAG aplikaciju sa izvorima i testovima.