WEBVTT

00:00:00.000 --> 00:00:04.320
Тема сегодняшнего разговора знакома почти всем, но мало кто может объяснить ее простыми словами.

00:00:04.480 --> 00:00:08.240
RAG или генерация с дополнением выборкой. Вы встречали эту аббревиатуру повсюду,

00:00:08.380 --> 00:00:12.020
в анонсах Microsoft, на конференциях по E, в блогах. Но что она означает на самом деле? И,

00:00:12.160 --> 00:00:16.080
что более важно, почему вам стоит об этом знать? Дело вот в чем. Большие языковые модели,

00:00:16.300 --> 00:00:20.840
такие как GPT-4O, очень мощные. Они могут писать эссе, обобщать документы и даже создавать код.

00:00:21.020 --> 00:00:24.500
Но у них есть две большие проблемы. Во-первых, их знания ограничены определенным моментом

00:00:24.500 --> 00:00:28.380
времени. Спросите чат GPT о том, что произошло вчера, и он ничего об этом не знает. Во-вторых,

00:00:28.380 --> 00:00:31.500
эти модели никогда не видели внутренних данных вашей компании, ваших политик,

00:00:31.620 --> 00:00:35.500
сведений о продуктах и писем клиентов. Поэтому, когда вы задаете LLM вопрос о вашем бизнесе,

00:00:35.580 --> 00:00:38.660
она просто гадает. И вот здесь на помощь приходит генерация с дополнением выборкой.

00:00:38.820 --> 00:00:43.140
RAG — это не новая модель, не более крупная или продвинутая версия GPT. Это совершенно другой подход.

00:00:43.380 --> 00:00:48.340
Вместо того, чтобы просить LLM искать ответы в своей обучающей памяти, RAG сначала находит нужную

00:00:48.340 --> 00:00:52.960
информацию в ваших собственных данных и передает ее модели вместе с вопросом. Затем модель использует

00:00:52.960 --> 00:00:57.420
этот контекст, чтобы дать вам ответы, основанные на реальном, актуальном контенте, а не на догадках.

00:00:57.420 --> 00:01:02.420
Без RAG ваш и работает на основе данных, устаревших на месяцы или годы. С RAG он работает с вашими

00:01:02.420 --> 00:01:06.160
актуальными документами прямо сейчас. В этом разница между И, который звучит уверенно,

00:01:06.280 --> 00:01:09.420
но может ошибаться, и И, который точно показывает, откуда он взял ответ.

00:01:09.580 --> 00:01:13.020
Вот что мы сегодня обсудим. Сначала мы рассмотрим две проблемы, которые делают

00:01:13.020 --> 00:01:17.520
RAG необходимым. Затем мы разберем, что такое RAG на самом деле — выборка, дополнение,

00:01:17.700 --> 00:01:23.280
генерация. Далее мы пройдемся по ключевым сервисам Azure, Azure AI Search, Azure Open AI и Azure iPhone 3.

00:01:23.280 --> 00:01:27.020
И закончим реальным примером, чтобы вы увидели, как все эти части работают вместе.

00:01:27.180 --> 00:01:30.820
Начнем с самой проблемы. Когда вы поймете ее, решение станет очевидным.

00:01:31.000 --> 00:01:34.880
Две проблемы, которые есть у LLM. Итак, что же не так с большими языковыми моделями?

00:01:35.000 --> 00:01:39.080
На самом деле, две вещи. Во-первых, их знания заморожены. Подумайте об этом.

00:01:39.240 --> 00:01:43.500
При обучении GPT-4O использовался снимок интернета, который сейчас устарел на месяцы или годы,

00:01:43.580 --> 00:01:46.740
поэтому модель не знает о новых продуктах, недавних законах или вчерашних новостях.

00:01:46.920 --> 00:01:50.620
Спросите ее об изменении политики на прошлой неделе, и она никак не сможет это узнать.

00:01:50.620 --> 00:01:56.040
Этой информации просто нет в ее обучающих данных. Во-вторых, LLM никогда не видели ваших частных

00:01:56.040 --> 00:02:00.740
данных, внутренних документов, писем клиентов и закрытых баз данных. У модели нет никакого

00:02:00.740 --> 00:02:04.900
доступа к этой информации. Поэтому, когда сотрудник спрашивает о специфике ваших бизнес-процессов,

00:02:05.040 --> 00:02:09.120
модель не может ответить. Она не знает того, что знаете вы. Некоторые считают, что дообучение решает

00:02:09.120 --> 00:02:13.280
эту проблему. Вы берете базовую модель и немного дообучаете ее на своих данных. Но у дообучения есть

00:02:13.280 --> 00:02:17.880
свои минусы. Это дорого. Вы платите за время работы GPU и труд инженеров. Оно не решает

00:02:17.880 --> 00:02:21.900
проблему устаревания данных. После дообучения модель остается зафиксированной на том моменте

00:02:21.900 --> 00:02:25.900
времени. И она не может работать с данными, которые часто меняются, например, с уровнем запасов

00:02:25.900 --> 00:02:30.560
или ценами. Дообучение похоже на заучивание учебника наизусть. Полезно, но человек все равно не

00:02:30.560 --> 00:02:35.420
может узнать новости из сегодняшней газеты. Настоящее решение проще. Дайте модели доступ к вашим

00:02:35.420 --> 00:02:40.000
знаниям в момент ответа, вместо того, чтобы пытаться втиснуть все в ее память. Не заставляйте

00:02:40.000 --> 00:02:43.480
ее все запоминать. Пусть она ищет информацию в реальном времени в ваших актуальных данных.

00:02:43.480 --> 00:02:48.280
Именно это делает RAG. Простая идея, но она меняет все. Что такое RAG на самом деле?

00:02:48.480 --> 00:02:53.400
Итак, вот RAG в одном предложении. Вместо того, чтобы просить модель найти ответ в обучающих

00:02:53.400 --> 00:02:58.180
данных, мы сначала находим нужную информацию, а затем передаем ее модели вместе с вопросом.

00:02:58.320 --> 00:03:02.620
В этом суть идеи. Три простых шага. Поиск, дополнение и генерация.

00:03:02.860 --> 00:03:07.760
Позвольте привести аналогию. Представьте библиотекаря. Вы заходите в библиотеку и задаете вопрос.

00:03:07.940 --> 00:03:11.900
Вы же не ожидаете, что библиотекарь выучил наизусть все книги? Верно? Это было бы нелепо.

00:03:11.900 --> 00:03:15.920
Вместо этого вы просите его найти нужную книгу, открыть нужную страницу и прочитать вам ответ.

00:03:16.180 --> 00:03:21.000
Библиотекарь ничего не заучивает. Сначала он ищет, а затем читает. И это именно то, что делает

00:03:21.000 --> 00:03:26.500
RAG. Сначала поиск, потом генерация. Вот как это работает на практике. Пользователь задает вопрос.

00:03:26.700 --> 00:03:31.020
Система ищет в базе знаний, в ваших документах, ваших данных, вашей конфиденциальной информации.

00:03:31.240 --> 00:03:35.660
Найденное передается большой языковой модели, и та генерирует ответ на основе этого контекста.

00:03:35.780 --> 00:03:39.880
И вот здесь важный момент. LLM никогда не видит ваши необработанные данные целиком. Она видит только то,

00:03:39.880 --> 00:03:43.560
что передала ей поисковая система. Это не недостаток. Это функция безопасности.

00:03:43.780 --> 00:03:47.580
Ваши конфиденциальные документы остаются в вашем хранилище. Во время запроса модель получает

00:03:47.580 --> 00:03:51.300
лишь фрагменты, необходимые для ответа на конкретный вопрос. Никакого обучения на ваших данных,

00:03:51.500 --> 00:03:54.860
никакого запоминания, никаких утечек. Ваши данные остаются там, где им и положено быть.

00:03:55.000 --> 00:03:57.280
Таким образом, RAG решает обе проблемы, о которых мы говорили ранее.

00:03:57.540 --> 00:04:01.020
Устаревшие данные. Больше не проблема. Ваша база знаний всегда актуальна.

00:04:01.220 --> 00:04:04.220
Приватные данные. Модель видит только то, что вы решили извлечь.

00:04:04.220 --> 00:04:08.240
Это как дать библиотекарю доступ к вашему архиву, но позволить достать лишь ту папку,

00:04:08.480 --> 00:04:12.200
которая нужна вам прямо сейчас. Векторные представления и семантический поиск.

00:04:12.300 --> 00:04:16.080
Возможно, вам интересно, как именно работает этот поиск. Дело не в подборе ключевых слов

00:04:16.080 --> 00:04:20.060
или функции «Поиск по вашим документам». Это нечто гораздо более умное. Это называется

00:04:20.060 --> 00:04:23.220
семантический поиск, и он работает на векторных представлениях. Позвольте объяснить,

00:04:23.420 --> 00:04:27.420
что такое векторное представление. Это длинный список чисел, который отражает смысл текста,

00:04:27.640 --> 00:04:32.060
словно координаты на карте. У каждого документа есть свои координаты на этой карте смыслов.

00:04:32.060 --> 00:04:35.820
Когда вы задаете вопрос, система превращает его в координаты и находит документы,

00:04:35.940 --> 00:04:39.460
которые находятся ближе всего к ним. Ключевое слово здесь – семантический.

00:04:39.640 --> 00:04:44.660
Суть не в поиске точных слов, а в понимании концепций. Если вы ищете бюджетные отели,

00:04:44.920 --> 00:04:50.140
система найдет документы о недорогом жилье, даже если этих слов там нет. Почему? Потому что

00:04:50.140 --> 00:04:54.380
их смысл близок. Векторные представления для слов «бюджетный» и «недорогой» расположены

00:04:54.380 --> 00:04:58.620
на карте рядом друг с другом. Специальная компактная модель, такая как Azure Text Embedding 3 Large,

00:04:58.620 --> 00:05:02.660
создает эти представления. Это не огромная языковая модель, а узкоспециализированный

00:05:02.660 --> 00:05:06.800
инструмент для одной задачи – превращать текст в эти числовые координаты. Вот что делает

00:05:06.800 --> 00:05:11.640
RAG таким мощным. Ваши документы преобразуются в представление один раз при индексации. Затем,

00:05:11.780 --> 00:05:15.480
когда поступает запрос, система за миллисекунды находит наиболее релевантный контент,

00:05:15.640 --> 00:05:19.680
даже если точные слова пользователя не встречаются в документах. Она понимает намерения,

00:05:19.940 --> 00:05:23.940
а не просто введенные ключевые слова. Azure AI Search – поисковый движок.

00:05:23.940 --> 00:05:28.640
Итак, теперь вы понимаете концепцию. Сначала извлечение, затем генерация. Но где именно

00:05:28.640 --> 00:05:33.580
происходит это извлечение? Здесь в игру вступает Azure AI Search. Azure AI Search – это сервис,

00:05:33.720 --> 00:05:37.640
который хранит, индексирует и извлекает ваш контент. Представьте его как систему хранения

00:05:37.640 --> 00:05:41.920
данных для вашего RAG приложения. Он выполняет две основные задачи. Давайте разберем их.

00:05:42.040 --> 00:05:47.080
Во-первых, индексация – это подготовка ваших данных к поиску. Во-вторых, поиск – это непосредственно

00:05:47.080 --> 00:05:51.820
нахождение нужного контента, когда кто-то задает вопрос. Давайте сначала рассмотрим процесс индексации.

00:05:51.820 --> 00:05:56.700
Вы указываете Azure AI Search на источник данных. Это может быть хранилище био-лобби объектов с

00:05:56.700 --> 00:06:02.360
PDF-файлами, SQL-база данных, записями клиентов или многие другие источники. Сервис считывает эти

00:06:02.360 --> 00:06:07.320
документы, разбивает их на небольшие фрагменты, создает векторные представления для каждого из них

00:06:07.320 --> 00:06:11.680
с помощью модели, о которой мы говорили ранее, и сохраняет все в поисковом индексе.

00:06:11.800 --> 00:06:16.620
Представьте индекс как гигантский, тщательно упорядоченный каталог. Каждый фрагмент контента

00:06:16.620 --> 00:06:20.740
получает уникальный ID, текст и набор координат на этой карте смыслов.

00:06:20.740 --> 00:06:25.580
Теперь о процессе поиска. Когда пользователь задает вопрос, AI Search преобразует его в вектор

00:06:25.580 --> 00:06:29.800
с помощью той же модели имбиддингов, а затем сканирует индекс, чтобы найти фрагменты,

00:06:29.900 --> 00:06:34.060
чьи координаты ближе всего к координатам вопроса. Система возвращает лучшие совпадения,

00:06:34.300 --> 00:06:37.740
обычно от 5 до 10 наиболее релевантных, и делает это за миллисекунды.

00:06:37.920 --> 00:06:41.980
Здесь у вас есть несколько отличных вариантов. Чисто векторный поиск находит контент по смыслу,

00:06:42.020 --> 00:06:46.220
поэтому похожие концепции появляются, даже если слова не совпадают. Поиск по ключевым словам работает

00:06:46.220 --> 00:06:50.100
как обычная поисковая система, находя точные совпадения словарей. Или можно использовать

00:06:50.100 --> 00:06:54.740
гибридный поиск, объединяющий оба подхода, и это обычно лучший выбор. Есть также семантическое

00:06:54.740 --> 00:06:58.880
переранжирование, которое берет первоначальные результаты и сортирует их по тому, насколько точно

00:06:58.880 --> 00:07:02.720
они отвечают на вопрос. Это как второй проход, который позволяет заметить то, что могло быть

00:07:02.720 --> 00:07:07.280
упущено в первый раз. Стоит знать, что Azure AI Search может стоить недешево. Базовый тариф

00:07:07.280 --> 00:07:11.780
начинается примерно от 75 долларов в месяц и растет дальше. Если вы только экспериментируете,

00:07:11.960 --> 00:07:15.260
используйте бесплатный уровень или не забывайте удалять ресурсы, когда закончите.

00:07:15.260 --> 00:07:19.820
Однако для промышленного использования затраты обычно окупаются. Вы платите за скорость и

00:07:19.820 --> 00:07:25.340
надежность при масштабировании. Azure OpenAI и iPhone 3 генерация и оркестрация

00:07:25.340 --> 00:07:30.820
Итак, данные проиндексированы и готовы к поиску, но LLM все еще должна понять ваш вопрос и дать

00:07:30.820 --> 00:07:36.220
качественный ответ. Здесь на помощь приходят Azure OpenAI и Azure iPhone 3. Azure OpenAI предоставляет

00:07:36.220 --> 00:07:42.860
саму языковую модель GPT-4O, GPT-4, один или любую другую модель на ваш выбор. Это механизм генерации. Он

00:07:42.860 --> 00:07:48.380
получает промп, включающий исходный вопрос пользователя и контекст, полученный от Azure AI Search.

00:07:48.580 --> 00:07:53.240
Модель изучает этот контекст и формирует ответ на основе найденной информации. Нельзя просто

00:07:53.240 --> 00:07:57.300
загрузить все подряд и надеяться на удачу. Вам нужен системный промп, набор инструкций,

00:07:57.480 --> 00:08:01.680
которые вы заранее даете модели, чтобы определить правила ее поведения. Вы указываете ей использовать

00:08:01.680 --> 00:08:06.440
только предоставленный контекст, ссылаться на источники и, что самое важное, говорить «я не знаю»,

00:08:06.440 --> 00:08:10.460
если релевантной информации нет в найденных документах. Это заставляет модель быть честной.

00:08:10.460 --> 00:08:13.980
Без хорошего системного промпта модель может обратиться к своим обучающим данным или,

00:08:14.220 --> 00:08:17.700
что еще хуже, выдумать ответ. Так как же объединить все эти компоненты воедино?

00:08:17.840 --> 00:08:21.260
Именно для этого и нужен Azure iPhone 3. Это портал, где вы создаете проект,

00:08:21.460 --> 00:08:24.460
развертываете модели, подключаете источники данных и тестируете своего агента.

00:08:24.660 --> 00:08:28.500
Думайте об этом как о центре управления для всей вашей системы R&G. В Phone 3 можно добавить

00:08:28.500 --> 00:08:32.320
индекс Azure AI Search в качестве источника знаний для вашего агента, не написав при этом ни строчки

00:08:32.320 --> 00:08:36.620
кода для базовой настройки. Вы просто создаете подключение, выбираете индекс, и агент начинает

00:08:36.620 --> 00:08:41.020
автоматически выполнять к нему запросы. Портал берет на себя всю оркестрацию. Когда пользователь

00:08:41.020 --> 00:08:45.620
задает вопрос, агент знает, что нужно обратиться к iSearch, получить нужные фрагменты данных и

00:08:45.620 --> 00:08:50.240
передать их в LLM вместе с исходным вопросом. Вот конкретный пример. В одном руководстве я видел,

00:08:50.420 --> 00:08:54.680
как кто-то создал агента для рекомендаций фильмов, используя набор данных Netflix. Они загрузили

00:08:54.680 --> 00:08:59.700
CSV-файл с названиями фильмов, описаниями и данными об актерах в Azure Blob Storage, а затем использовали

00:08:59.700 --> 00:09:05.500
Azure AI Search для индексации этих данных. В Azure AI Phone 3 они создали агента на базе GPT-4O и подключили

00:09:05.500 --> 00:09:10.160
к нему индекс iSearch. Когда пользователь спросил «Я люблю три лиры, порекомендуй мне что-нибудь»,

00:09:10.160 --> 00:09:14.080
агент выполнил поиск по индексу, нашел три лиры из этого конкретного набора данных и выдал

00:09:14.080 --> 00:09:17.780
рекомендации. И вот что самое важное, он рекомендовал только те фильмы, которые действительно были

00:09:17.780 --> 00:09:21.400
в этом наборе данных. Он ничего не выдумал, не использовал свои тренировочные данные и работал

00:09:21.400 --> 00:09:26.280
исключительно с предоставленным контентом. В этом и заключается сила RAG. Классический RAG против агентного

00:09:26.280 --> 00:09:29.920
RAG. Теперь давайте поговорим о настройке. Существует два основных шаблона – классический

00:09:29.920 --> 00:09:34.240
RAG и агентный RAG. Выбор зависит от того, что именно вы создаете. Классический RAG – это

00:09:34.240 --> 00:09:38.180
прямолинейный подход. Один запрос поступает, один поиск выполняется, один ответ возвращается.

00:09:38.320 --> 00:09:42.380
Просто, быстро, предсказуемо. Представьте, что вы подходите к стойке регистрации в офисном

00:09:42.380 --> 00:09:46.480
здании и просите один конкретный документ. Секретарь берет его, отдает вам – готово.

00:09:46.600 --> 00:09:50.300
Классический RAG отлично подходит для ответов на фактические вопросы по одной теме. Например,

00:09:50.500 --> 00:09:54.720
«Какова политика компании по удаленной работе?» или «Покажи мне шаги по устранению неполадок для этого

00:09:54.720 --> 00:09:59.320
кода ошибки». Это надежно, недорого и легко исправить, если что-то идет не так, потому что процесс

00:09:59.320 --> 00:10:04.960
линейный. Агентный RAG – это другое. iAgent сам решает, как извлекать информацию. Он может задавать

00:10:04.960 --> 00:10:09.300
несколько уточняющих вопросов, искать по разным индексам, уточнять результаты и обобщать данные из

00:10:09.300 --> 00:10:13.180
разных источников перед ответом. Это как иметь управляющего зданием, который координирует работу

00:10:13.180 --> 00:10:18.080
разных отделов, чтобы собрать все части воедино. Он не просто берет один файл. Он общается с отделом кадров,

00:10:18.260 --> 00:10:22.820
проверяет записи, сверяет политики и возвращается с полным ответом. Компания Microsoft провела собственные

00:10:22.820 --> 00:10:26.860
тесты и выяснила, что агентный RAG повышает релевантность ответов на сложные вопросы примерно на 40%.

00:10:26.860 --> 00:10:30.860
Это значительный показатель, однако он требует в 3-10 раз больше токенов и увеличивает задержку.

00:10:31.000 --> 00:10:35.400
Для простых вопросов эта дополнительная работа избыточна. Классический RAG отлично с ними справляется.

00:10:35.560 --> 00:10:38.980
Так когда и что использовать? Классический подход для рутинных массовых запросов,

00:10:38.980 --> 00:10:41.900
где важнее всего скорость и стоимость. Агентный подход для многоэтапных,

00:10:42.020 --> 00:10:45.520
неоднозначных или междисциплинарных вопросов, где точность оправдывает дополнительные вычисления.

00:10:45.720 --> 00:10:50.420
Раздел «Подключение. Комплексный пример». Давайте посмотрим, как все эти элементы работают вместе на

00:10:50.420 --> 00:10:54.420
реальном примере. Представьте, что вы создаете агента поддержки клиентов для туристического

00:10:54.420 --> 00:10:59.160
агентства Marigold Travels. У вас есть брошюры о поездках, отзывы об отелях и документы с правилами,

00:10:59.340 --> 00:11:04.220
разбросанные по всей компании. Вы хотите, чтобы клиенты задавали вопросы и получали точные ответы

00:11:04.220 --> 00:11:09.580
на основе реального контента, а не общих догадок. Шаг 1. Сохраните весь этот контент в Azure Blobs

00:11:09.580 --> 00:11:14.600
Storage. Брошюры в одной папке, отзывы в другой, правила в третьей, просто файлы в контейнере.

00:11:14.780 --> 00:11:20.160
Шаг 2. Используйте Azure и iSearch для индексации этих данных, запустив мастер импорта данных, указав на хранилище

00:11:20.160 --> 00:11:24.140
био-лобби объектов и позволив системе выполнить работу. Сервис считывает каждый документ,

00:11:24.340 --> 00:11:28.240
разбивает его на фрагменты, создает векторные имбидинги и строит индекс для поиска.

00:11:28.400 --> 00:11:33.560
Весь процесс занимает всего несколько минут. Шаг 3. Перейдите в Azure iPhone 3 и создайте агента.

00:11:33.740 --> 00:11:38.100
Разверните GPT-4O в качестве модели, напишите системный промп, требующий использовать только

00:11:38.100 --> 00:11:41.920
предоставленный контекст и ссылаться на источники, а затем подключите индекс Azure AI

00:11:41.920 --> 00:11:45.800
и Search как источник знаний. Несколько кликов и готово. Теперь клиент спрашивает,

00:11:45.800 --> 00:11:50.080
какой отель в Дубае с лучшими отзывами стоит до 300 долларов. Агент получает этот вопрос,

00:11:50.160 --> 00:11:54.620
и отправляет его в Azure AI Search. Azure AI Search преобразует его в вектор и находят наиболее

00:11:54.620 --> 00:11:58.760
релевантные фрагменты из ваших отзывов и брошюр. Эти фрагменты вместе с исходным вопросом

00:11:58.760 --> 00:12:04.180
передаются в GPT-4O. Модель анализирует их, определяет лучший вариант и формирует ответ со ссылками

00:12:04.180 --> 00:12:09.120
на ваши исходные документы. Важный момент, LLM никогда не запоминала эти данные. Она никогда не

00:12:09.120 --> 00:12:12.980
обучалась на ваших отзывах об отелях. Она каждый раз работает с вашим конкретным контентом.

00:12:12.980 --> 00:12:16.920
Добавьте завтра новые отзывы, и ответы обновятся автоматически. Удалите устаревшую брошюру,

00:12:16.920 --> 00:12:20.700
и она перестанет появляться в выдаче. Модель не нужно переобучать. Ей просто нужен правильный

00:12:20.700 --> 00:12:23.640
уровень поиска информации. Итак, как же на самом деле начать создание

00:12:23.640 --> 00:12:28.780
RAG в Azure? Давайте разобьем это на три этапа. Прежде всего, изучите свои данные. Прежде чем выбирать

00:12:28.780 --> 00:12:33.020
сервис, определитесь, где хранятся ваши данные, как они организованы и у кого должен быть к ним

00:12:33.020 --> 00:12:38.240
доступ. Успех RAG полностью зависит от качества ваших данных. Затем не усложняйте, не перегружайте

00:12:38.240 --> 00:12:41.980
настройку. Используйте мастер импорта данных в Azure AI Search, чтобы проиндексировать только

00:12:41.980 --> 00:12:45.300
один набор документов. Протестируйте систему базовыми запросами. Убедитесь,

00:12:45.300 --> 00:12:50.220
что поиск работает идеально, прежде чем добавлять LLM. Большинство сбоев RAG – это не проблемы

00:12:50.220 --> 00:12:55.020
модели. Это проблемы поиска. Последний шаг – добавление LLM. Когда поиск начнет выдавать

00:12:55.020 --> 00:12:58.800
верные результаты, тогда подключайте генерацию. Именно в этот момент вы подключаете Azure

00:12:58.800 --> 00:13:03.340
OpenAI и пишете системный пром. Суть в том, что RAG – это не готовый продукт. Это шаблон,

00:13:03.500 --> 00:13:08.660
который вы создаете сами. Azure предоставляет компоненты, хранилища, поиск, модели и связующие

00:13:08.660 --> 00:13:13.000
звенья для них. Вам лишь нужно правильно все это соединить. Если это помогло вам увидеть общую

00:13:13.000 --> 00:13:16.480
картину, подписывайтесь на простые разборы сложных тем. Напишите в комментариях,

00:13:16.620 --> 00:13:19.560
для чего вы используете RAG. Мне интересно узнать, что вы создаете.
