RAG и генеративный ИИ. Создаем собственные RAG-пайплайны с помощью LlamaIndex, Deep Lake и Pinecon (pdf + epub)

Книга довольно посредственная и, учитывая узконаправленность поднимаемой темы, я ожидала более глубокого погружения в техническую составляющую RAG-систем, более подробного описания их особенностей и тонкостей проектирования.

На деле же книга представляет собой скорее методическое пособие с описанием простейших примеров реализации RAG и его использования для создания специализированных приложений. 10 глав, построенные по условному повышению сложности реализуемого решения, будут последовательно демонстрировать читателю разные вариации реализации генерации, дополненной внешними данными. Несмотря на то, что заголовок книги обещает именно это, теоретическая часть здесь довольно скудная (если не сказать, что её практически нет), так что даже некоторые базовые вещи в создании RAG остались без внимания (например, тот факт, что разбиение на фрагменты текста (чанки) рекомендуется делать с перекрытием).

По факту перед нами набор jupiter-тетрадок, объединённых общей темой, с некоторыми комментариями относительно того, что происходит в коде. Подобный формат подачи, возможно, привычен для ML/DS-инженеров и является неплохим вариантом в целях обучения в рамках, к примеру, университетского курса в силу своей наглядности и воспроизводимости. И тем не менее отсутствие полноценного продуктового подхода и своего рода небрежность в предоставлении фрагментов приложения скорее разочаровывает, нежели вдохновляет.

Упомянутая ранее небрежность заметна также в весьма вольной интерпретации происходящего: так, одна из глав обещает использовать мультимодальных данных для генерации ответа языковой модели. Однако в действительности вместо полноценной обработки видео наряду с текстом, код приложения использует текстовую модальность — текстовую разметку для видео, которую в дальнейшем и анализирует при помощи LLM. Что совершенно не то же самое, как если бы использовались полноценные мультимодальные данные (изображения и текст) для последующего анализа.

Если говорить совсем откровенно, книга напоминает наскоро сгенерированную методичку. Структурные части плохо связаны между собой, содержат одинаковые, повторяющиеся блоки, основные этапы работы с API OpenAI и других фреймворков повторяются из главы в главу. Повторюсь, что для образовательных целей это даже является плюсом (так, можно читать книгу с любой главы и получить полноценный прототип для желаемого решения), однако для чуть более серьёзной работы книга как будто бы сыровата и требует существенных дополнений.

В качестве практического руководства для быстрой реализации учебного проекта она ещё может пригодиться, но даже для базового понимания RAG, работы с генеративными моделями и разработки приложений с использованием AI я скорее порекомендую изучить соответствующие главы книги Ч. Хьюен "AI-инженерия".