Sistem RAG Praktis: Dari Basis Pengetahuan ke Generasi Berbasis Pencarian

Catatan kuliah mahasiswa ini menyajikan pandangan tingkat sistem dalam membangun sistem Retrieval-Augmented Generation (RAG) yang dapat digunakan. Mata kuliah ini mencakup seluruh pipeline, termasuk pengambilan data, strategi pemecahan, pemetaan embedding, penyimpanan vektor, pencarian hibrida, reranking, serta evaluasi untuk aplikasi AI yang dapat dipercaya.

Kuasai seni membangun sistem AI yang berbasis bukti melalui pendekatan pipeline RAG secara komprehensif.

Penulis: EvoClass

Ucapan Terima Kasih: Tim EvoClass

1. Membedakan antara prompting, fine-tuning, dan RAG untuk memilih alat yang tepat sesuai kebutuhan bisnis tertentu.
2. Memetakan alur informasi dalam pipeline RAG, dari pertanyaan pengguna hingga generasi yang didukung bukti.
3. Merancang pipeline pengambilan data profesional yang mencakup metadata, normalisasi, dan versioning untuk mencegah kegagalan akibat "data lemah".
4. Evaluasi dan implementasi berbagai strategi pemecahan (Fixed-length, Structure-aware, Hierarchical) berdasarkan kebutuhan domain spesifik.
5. Jelaskan mekanisme embedding dan perbedaan antara kesamaan semantik dan manfaat jawaban.
6. Jelaskan teori teknis tentang penyimpanan vektor dan indeksasi, dengan fokus pada kompromi antara kecepatan pencarian (latensi) dan akurasi.
7. Merancang rencana pencarian bertahap untuk korpus skala besar (100.000+ bagian), termasuk strategi metadata dan filter.
8. Membedakan tujuan pencarian (recall) dan reranking (presisi/relevansi).
9. Menganalisis mengapa reranking penting untuk generasi LLM yang efektif dan bagaimana interaksinya dengan desain bagian.
10. Merancang struktur metadata awal yang mendukung kutipan otomatis dan pencarian yang memperhatikan versi.