RAG im produktiven Einsatz : RAG-Anwendungen entwickeln, skalieren und bereitstellen (Animals)

個数：

予約

RAG im produktiven Einsatz : RAG-Anwendungen entwickeln, skalieren und bereitstellen (Animals)

Mendelevitch, Ofer/ Bao, Forrest Sheng/ Lang, Jorgen W.

ウェブストア価格 ¥10,545（本体¥9,587）
dpunkt; O'Reilly（2027/01発売）
外貨定価 EUR 39.90
ポイント 95pt

現在予約受付中です。出版後の入荷・発送となります。
（重要：表示されている発売日は予定となり、発売が延期、中止、生産限定品で商品確保ができないなどの理由により、ご注文をお取消しさせていただく場合がございます。予めご了承ください。）

●3Dセキュア導入とクレジットカードによるお支払いについて

【入荷遅延について】
世界情勢の影響により、海外からお取り寄せとなる洋書・洋古書の入荷が、表示している標準的な納期よりも遅延する場合がございます。
おそれいりますが、あらかじめご了承くださいますようお願い申し上げます。

◆画像の表紙や帯等は実物とは異なる場合があります。

◆ウェブストアでの洋書販売価格は、弊社店舗等での販売価格とは異なります。
また、洋書販売価格は、ご注文確定時点での日本円価格となります。
ご注文確定後に、同じ洋書の販売価格が変動しても、それは反映されません。

製本 Paperback:紙装版/ペーパーバック版
商品コード 9783960093022

Description

Praxisnahe Roadmap für Aufbau, Optimierung und Skalierung produktionsreifer RAG-Anwendungen.
Best Practices für RAG-Anwendungen, die sich im Unternehmenseinsatz bewähren müssen.
Vom RAG-Stack bis zu fortgeschrittenen Ansätzen: multimodales RAG, Agentic RAG und GraphRAG

Retrieval-Augmented Generation (RAG) hat sich als ein bevorzugter Ansatz etabliert, um Large Language Models mit dem spezifischen Wissen eines Unternehmens zu verbinden.

Ein funktionierender Prototyp ist schnell erstellt - ein produktionsreifes System zu entwickeln, ist jedoch deutlich anspruchsvoller. Dieses Buch bietet eine praxisnahe Roadmap für Aufbau, Optimierung und Skalierung von RAG-Anwendungen, die im echten Unternehmenseinsatz bestehen. Sie erfahren, wie Sie aus verfügbaren RAG-Pipelines und Komponenten die passende Lösung auswählen - und wann eine Eigenentwicklung sinnvoller ist. Die Autoren begleiten Sie durch alle Entwicklungsphasen: von der Datenerfassung, Embeddings und Vektorsuche bis zu fortgeschrittenen Ansätzen wie agentischem RAG, multimodalem RAG und GraphRAG. Dabei zeigen sie, wie sich RAG-Systeme so gestalten lassen, dass sie präzise arbeiten, skalieren und Datenschutzanforderungen erfüllen.

Ofer Mendelevitch ist ein führender Experte für KI und ML, der sich auf die Entwicklung von Produktionssystemen mit großen Sprachmodellen (LLMs), Retrieval-Augmented Generation (RAG) und agentenbasierten Workflows spezialisiert hat. Er ist Autor des Buches "Practical Data Science with Hadoop" (Addison-Wesley). Forrest Sheng Bao ist Mitbegründer von PAIR Systems, Inc. (auch bekannt als pairsys.ai). Zuvor war er Co-Leiter des Bereichs Machine Learning bei Vectara, wo er maßgeblich an der Entwicklung des HHEM-2-Halluzinationsdetektors für LLMs beteiligt war. Vor seiner Zeit bei Vectara war er Assistenzprofessor an der Iowa State University, wo er für seine Forschung zur Bewertung von LLMs mit dem NSF CAREER Award ausgezeichnet wurde. Forrest hat einen Doktortitel in Informatik mit Nebenfach Elektrotechnik von der Texas Tech University.