Course Content
Pendahuluan
0/3
[1] Perkenalan metode RAG
08:05
[2] Persiapan Device
04:31
[3] Instalasi Ollama dengan Docker Compose
07:23
Membuat Chat Assistant Sederhana
0/6
[4] Mendownload dan Menyiapkan Model Ollama di Docker
10:12
[5] Eksplorasi REST API Ollama untuk Model AI
19:09
[6] Pengelolaan Percakapan dengan Python
15:54
[7] REST API untuk Pengelolaan Percakapan dengan FastAPI
14:55
[8] Membuat Web UI Sederhana dengan Streamlit
19:04
[9] Retrieval-Augmented Generation (RAG)
10:11
Retrievel-Augmented Generation Berbasis Vector
0/7
[10] Retrieval dalam RAG: Vektorisasi dan Penyimpanan Data
10:53
[11] Pembuatan Koleksi Data untuk RAG dengan Qdrant
16:09
[12] Memahami Proses Embedding Vektor dan Pencarian yang Kontekstual
16:51
[13] Membuat dan Mengindeks PDF Menggunakan Embedding Vektor
26:40
[14] Implementasi RAG Vectorize dengan REST API
19:39
[15] Implementasi RAG Vectorize pada Web UI dan Penyesuaian Prompt
25:29
[16] Konsumsi Data pada Vector Besar
11:32
Retrieval-Augmented Generation Berbasis Gambar
0/3
[17] Eksplorasi Image Vision dan Model sebagai metode RAG
18:19
[18] Mengimplementasikan REST API dan Customize Prompting
15:26
[20] Implementasi Image Vision dalam Web UI dengan Streamlit
15:30
Retrieval-Agumented Generation Berbasis Web Search
0/3
[21] Overview API Search untuk RAG dengan HasData
09:29
[22] Membuat Konteks Pencarian API
26:23
[23] Menambahkan Fitur Web Search pada Chat UI dan Penutup
09:57
Downloadable Content
0/1
RESTful API cource code
Response Streaming Application
0/4
[24] Implementasi Stream Response pada RESTful API
21:38
[25] Streaming ChatUI Assistant dengan Kotlin Compose Multiplatform (1)
20:28
[26] Streaming ChatUI Assistant dengan Kotlin Compose Multiplatform (2)
23:27
[27] Streaming ChatUI Assistant dengan Kotlin Compose Multiplatform (3)
21:12
Downloadable Content
0/1
Kotlin Compose Multiplatform ChatUI Sources Code
Menguasai Generative AI – Implementasi RAG dengan membuat Chat Assistant Sendiri
About Lesson

Konsep Kunci

  • Ollama: Tools untuk menjalankan model LLM.
  • Qdrant: Tools untuk RAG berbasis vektor.
  • Docker: Platform untuk menjalankan aplikasi dalam container.
  • Docker Compose: Tools untuk mendefinisikan dan menjalankan aplikasi multi-container.
  • RAG: Retrieval Augmented Generation

Poin Utama

  • Spesifikasi minimal perangkat untuk menjalankan LLM.
  • Penggunaan Docker untuk instalasi tools.
  • Penggunaan Ollama untuk menjalankan model.
  • Penggunaan Qdrant untuk RAG berbasis vektor.
  • Penggunaan Python dan PyCharm untuk development.

Ringkasan

Video ini membahas tentang spesifikasi perangkat yang diperlukan untuk menjalankan Large Language Model (LLM), dengan fokus pada penggunaan Docker untuk instalasi tools seperti Ollama dan Qdrant. Disarankan untuk menggunakan perangkat dengan minimal 4 CPU dan 8 GB RAM, meskipun demonstrasi dilakukan dengan spesifikasi minimal 4 CPU dan 4 GB RAM.

Ollama digunakan untuk menjalankan model LLM, termasuk model untuk image vision dan web search, sementara Qdrant digunakan untuk implementasi Retrieval Augmented Generation (RAG) berbasis vektor. Instalasi tools ini dilakukan menggunakan Docker dan Docker Compose, yang memungkinkan setiap tool berjalan dalam container terpisah.

Selain itu, video ini juga membahas tentang penggunaan Python dan PyCharm untuk pengembangan, dengan preferensi pada PyCharm Community Edition. Docker dijalankan menggunakan Colima, dan konfigurasi spesifik untuk kursus ini telah disiapkan dengan 4 CPU, 4 GB RAM, dan 60 GB storage. Video ini memberikan gambaran umum tentang persiapan lingkungan pengembangan sebelum memulai instalasi tools.

Daftar Isi

Klik untuk mempercepat video pada bagian-bagian ini

  • Spesifikasi Perangkat
  • Spesifikasi Minimal
  • Rekomendasi Spesifikasi
  • Instalasi Docker
  • Pengenalan Ollama
  • Pengenalan Qdrant
  • Image Vision dan Web Search
  • Docker Container
  • Docker Compose
  • Qdrant Berbasis Vektor
  • Penggunaan Python
  • Penggunaan PyCharm
  • Penggunaan Colima

 

Previous
Next
0% Complete
Kiat Koding