🎞️ Videos → How to perform RAG and Vector Search with MongoDB

มาทำความรู้จักกับ RAG หรือ Retrieval Augmented Generation และการนำไปใช้กับ vector search ใน MongoDB ใน session นี้ คุณเจมส์จะพาไปสำรวจวิธีการดึงข้อมูลที่เกี่ยวข้องกับคำถามโดยใช้ความหมาย มากกว่าการจับคู่แบบตรงตัว เพื่อประสิทธิภาพในการทำงานร่วมกับ Large Language Model (LLM) และลดค่าใช้จ่ายในการใช้งาน พร้อมเจาะลึกการทำงานของ semantic search และการนำไปใช้ประโยชน์ในการทำ caching ข้อมูลอย่างชาญฉลาด เหมาะสำหรับนักพัฒนาที่สนใจเพิ่มประสิทธิภาพการทำงานของแอปพลิเคชันที่ใช้ LLM

• LLM, Vector Search และ Semantic Search คืออะไร? 0:00
• ภาพรวม Workshop และแหล่งข้อมูลเพิ่มเติม 0:38
• RAG กับ Vector Search with MongoDB คืออะไร? 1:18
• ตัวอย่างการใช้งาน RAG กับ MongoDB 2:03
• วิธีการ Get Data จาก MongoDB 2:29
• LLM และ Model Knowledge 3:18
• ข้อจำกัดของ Model Knowledge และวิธีแก้ไข 4:04
• Retrieval Augmented Generation (RAG) 5:31
• ขั้นตอนการทำงานของ RAG 6:00
• Walkthrough โค้ด: การทำงานของ RAG 7:41
• การจัดการ Context Window และ Memory ของ LLM 10:00
• การดึงข้อมูลจาก MongoDB และปัญหาเรื่องต้นทุน LLM 12:00
• การเพิ่ม Cache เพื่อลดต้นทุน LLM 13:23
• ปัญหาการ Cache คำถามและคำตอบใน LLM 14:47
• Semantic Meaning และ Semantic Search 16:16
• Vector คืออะไร? และ Embedding Model ทำงานอย่างไร? 17:04
• Vector Search คืออะไร? และการหา Similarity 18:04
• MongoDB Vector Search 19:30
• วิธีการ Retrieve Cache ใน MongoDB 21:02
• การจัดการ Cache ที่กว้างเกินไปและการ Embed เวลา 22:51
• กรณีที่ไม่ทำ Cache และคำถามที่ไม่เกี่ยวข้อง 24:43
• การวัด Score และ Embedding Model 25:44
• Walkthrough โค้ด: การ Retrieve Cache ใน MongoDB 26:02
• การเซฟ Cache ใน MongoDB 28:36
• การกำหนด Semantic Rules และการควบคุม Cache 30:28
• สรุปขั้นตอนการเซฟ Cache และแหล่งข้อมูลเพิ่มเติม 32:02
• โปรโมทงาน Javascript Bangkok และแจกของรางวัล 32:33