Ce que vous devez savoir avant
Vous commencez

Débute 4 June 2026 19:04

Se termine 4 June 2026

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

Améliorer RAG avec Chroma

Maîtrisez la mise en œuvre de RAG avec Chroma pour réduire les hallucinations des modèles de langage géant (LLM) grâce à la construction pratique de pipelines, aux bases de données vectorielles et à l'évaluation systématique des améliorations factuelles.
Coursera via Coursera

Coursera

2868 Cours


3 hours 42 minutes

Amélioration optionnelle disponible

Not Specified

Progressez à votre rythme

Paid Course

Amélioration optionnelle disponible

Aperçu

Boost RAG with Chroma is an intermediate, hands-on course designed for developers and AI practitioners who need to solve one of the biggest challenges with Large Language Models:

their tendency to hallucinate. This course moves beyond theory and teaches you how to build a practical, effective Retrieval-Augmented Generation (RAG) pipeline to make your LLMs more trustworthy and enterprise-ready.

You will learn the architectural patterns for using a vector database to create an external knowledge base that grounds an LLM's responses in verifiable data. Using a project-based approach, you will implement this pattern, drawing on the popular open-source tools Chroma and LangChain as concrete examples.

The course culminates in a hands-on evaluation where you will directly compare your model's answers—with and without RAG—to qualitatively measure the improvement in factuality. You'll leave with a portfolio-ready project and the ability to build safer, more reliable generative AI applications using any set of comparable tools.

Programme

  • Construction du pipeline RAG
  • Dans ce module, vous allez construire le cœur d'un système d'IA moderne et factuel. Vous commencerez par apprendre pourquoi même les LLM puissants échouent et comment l'architecture RAG résout ce problème en les ancrant dans des données réelles. Ensuite, vous acquerrez une expérience pratique en implémentant ce modèle pour construire un pipeline fonctionnel qui relie une base de connaissances personnalisée directement à un LLM.
  • Évaluation de la réduction des hallucinations
  • Une fois le pipeline fonctionnel construit, ce module se concentre sur l'étape la plus critique : prouver sa valeur. Vous apprendrez à tester systématiquement votre système RAG, à comparer ses réponses ancrées à celles d'un LLM de référence, et à évaluer qualitativement la réduction des hallucinations. Ce module se conclut par un projet final où vous documenterez formellement vos résultats.

Enseigné par

LearningMate


Matières

Artificial Intelligence