#23 Jak zbudować własną bazę wiedzy w firmie? RAG, MCP i wyszukiwanie semantyczne | Kacper Łukawski

Twoja aplikacja AI halucynuje na każdym kroku? Prawdopodobnie problem leży nie w LLM-ie, a w sposobie, w jaki dostarczasz mu dane. Odkryj, jak wyszukiwanie wektorowe buduje niezawodne bazy wiedzy dla AI i dlaczego popularne rozwiązania, takie jak PGVector, mogą okazać się ślepą uliczką. Zniżka dla pierwszych 10 osób na 15% na AI Miners: BSAI-15 Bilety: https://aiminers.pl/ 🔔 Subskrybuj, aby nie przegapić nowych odcinków! W tym odcinku podcastu zanurzamy się w techniczne aspekty wyszukiwania wektorowego. Dowiesz się, dlaczego proste filtrowanie może "zepsuć" wyniki w systemach wektorowych i jak radzą sobie z tym dedykowane silniki. Omawiamy, czym w praktyce jest wyszukiwanie hybrydowe, jak standaryzacja w postaci protokołu MCP zmienia ekosystem AI i dlaczego wybór odpowiedniego modelu embeddingowego jest często ważniejszy niż samego LLM-a. Z tego odcinka dowiesz się: 🔹 Na czym polega praca Developer Advocate i jakie umiejętności są kluczowe na tej ścieżce kariery. 🔹 Czym wyszukiwanie wektorowe różni się od tradycyjnych metod opartych na słowach kluczowych. 🔹 Dlaczego dedykowane bazy wektorowe często mają przewagę nad rozszerzeniami takimi jak PGVector. 🔹 Jakie są kluczowe elementy budowy systemów RAG, od strategii chunkowania po wybór odpowiedniego modelu embeddingowego. 🔹 W jakich scenariuszach, poza RAG, wyszukiwanie wektorowe sprawdza się najlepiej. 🔹 Na czym polega wyszukiwanie hybrydowe i dlaczego łączenie różnych metod daje często najlepsze rezultaty. 🔹 Czy modele VLM i statyczne embeddingi to przyszłość wyszukiwania informacji. 🎙Prowadzący:   / krzysztof-tutak   👥 Gość:   / kacperlukawski   ⭐️ Zobacz też: 🔹#14 Marcin Czarkowski, Przemek Smyrdek -    • #14 Czy programiści staną się operatorami ...   🔹#12 Adam Gospodarczyk -    • #12 AI może więcej, niż myślimy i mniej ni...   🔹#9 Piotr Brzyski -    • #9 AI jako broń masowej dezinformacji? - H...   🔹#5 Jakub Mrugalski -    • #5 Zautomatyzuj zadania, zyskaj czas na kr...   🔹#4 Mateusz Chrobok -    • #4 Jak obchodzić zabezpieczenia #AI i chro...   Linki i transkrypcja: 🔹https://bliskiespotkaniazai.pl/r23 Rozdziały: 00:00 Dziś w odcinku 02:11 Wprowadzenie 02:24 Kacper Łukaski 02:57 Czym jest fundacja AI Embassy? 05:39 Na czym polega rola Developer Advocate? 12:21 Wyszukiwanie wektorowe vs klasyczne 16:01 Kiedy klasyczne wyszukiwanie wygrywa? 17:35 Wyszukiwanie wektorowe w RAG 19:10 Czym jest RAG? 22:04 Zastosowania baz wektorowych poza RAG 27:40 Qdrant vs PGVector: Co wybrać? 34:39 Kiedy rozszerzenie PGVector wystarczy? 37:21 Dlaczego filtrowanie jest trudne? 41:13 Czym jest wyszukiwanie hybrydowe? 45:40 Chunkowanie a jakość odpowiedzi 51:50 Jak wybrać model embeddingowy? 56:50 Polskie LLM w systemach RAG 01:00:11 Fine-tuning małych modeli: Czy warto? 01:03:39 Czym jest protokół MCP? 01:17:15 Jak wybrać silnik wyszukiwania? 01:21:00 Przyszłość wyszukiwania: VLM i embeddingi 01:26:54 Polecane materiały i zakończenie #WyszukiwanieWektorowe #RAG #SztucznaInteligencja #BazyWektorowe #LLM