Praktična delavnica je namenjena udeležencem, ki že poznajo osnove algoritmov in želijo poglobiti svoje znanje o uporabi velikih jezikovnih modelov (LLM) ter njihovih API-jev.
Podrobneje bomo pogledali arhitekturo LLM in GPT in spoznali kako razširiti RAG (Retrieval-Augmented Generation) z vključitvijo grafov znanja (Knowledge Graphs). Preizkusili bomo napredno avtomatizacijo postopkov z uporabo AI agentov in Model Context Protocol (MCP). V praktičnem delu bomo združili RAG in Knowledge Graph ter razvili naprednega AI agenta, sestavljenega iz več avtonomnih agentov. Pri razvoju bomo uporabljali programski jezik Python.
Vsebina
- Podrobnejši vpogled v arhitekturo LLM in GPT
- Razširjen koncept RAG (Retrieval-Augmented Generation) z vključitvijo grafov znanja (Knowledge Graphs)
- Povezovanje RAG in Knowledge Graph v enoten sistem
- Napredna avtomatizacija postopkov z uporabo AI agentov in Model Context Protocol (MCP)
- Razvoj naprednega AI agenta, sestavljenega iz več avtonomnih agentov
- Uporaba programskega jezika Python pri razvoju narednih LLM rešitev
Priporočeno predznanje
Znanje enega izmed programskih jezikov (Python, TypeScript, JavaScript, C/C++ ipd.) je dobrodošlo, a ni pogoj. Predznanje s področja LLM, AI agentov in RAG je zaželeno, vendar ni nujno.
Cilji usposabljanja
- Razumeti arhitekturo LLM in GPT
- Spoznati, kako razširiti RAG (Retrieval-Augmented Generation) z uporabo grafov znanja
- Razviti praktične veščine pri združevanju RAG in Knowledge Graph v enoten sistem
- Osvojiti napredne pristope avtomatizacije s pomočjo AI agentov in Model Context Protocol (MCP)
- Izdelati naprednega AI agenta, ki vključuje več avtonomnih agentov
- Utrditi uporabo programskega jezika Python
Ciljna skupina
Vsi, ki se želijo razumeti LLM in GPT arhitekturo ter se seznaniti z naprednimi pristopi uporabe LLM API-jev in AI agentov.