Silabus Training IT025 – Retrieval-Augmented Generation (RAG) with LLMs

Deskripsi Training

Training ini membahas konsep, arsitektur, dan implementasi Retrieval-Augmented Generation (RAG) dengan memanfaatkan Large Language Models (LLMs). Peserta akan mempelajari bagaimana menggabungkan teknologi pencarian informasi (retrieval) dengan kemampuan generatif model bahasa besar untuk menghasilkan jawaban yang relevan, kontekstual, dan akurat. Materi akan mencakup pengenalan RAG, pipeline arsitektur, integrasi dengan berbagai sumber data terstruktur dan tidak terstruktur, serta penerapan dalam skenario bisnis nyata.

Tujuan Training

Memberikan pemahaman mendalam dan keterampilan praktis kepada peserta dalam merancang, mengimplementasikan, dan mengoptimalkan sistem RAG yang terintegrasi dengan LLMs, sehingga dapat digunakan untuk berbagai kebutuhan seperti chatbot cerdas, sistem tanya jawab, knowledge management, dan analisis dokumen.

Setelah Mengikuti Training Ini, Peserta Akan Mampu:

Memahami konsep dasar dan manfaat RAG dalam pengolahan bahasa alami.
Mendesain arsitektur RAG yang sesuai dengan kebutuhan bisnis.
Mengintegrasikan LLM dengan modul retrieval dari berbagai sumber data.
Mengimplementasikan pipeline RAG secara end-to-end.
Mengoptimalkan performa sistem RAG untuk menghasilkan output yang relevan.

Training Ini Cocok Untuk Posisi:

Machine Learning Engineer
Data Scientist
AI Engineer
NLP Researcher
Software Developer yang fokus pada AI/ML

Silabus Modul

Modul 1: Pengenalan Retrieval-Augmented Generation (RAG) dan LLMs

Menjelaskan definisi RAG, manfaatnya dalam pemrosesan bahasa alami, serta perbedaan RAG dibandingkan pendekatan LLM murni.

Modul 2: Arsitektur dan Komponen RAG

Membahas pipeline RAG mulai dari query understanding, document retrieval, context augmentation, hingga text generation oleh LLM.

Modul 3: Integrasi Sumber Data Terstruktur dan Tidak Terstruktur

Mengajarkan teknik integrasi data dari database SQL, NoSQL, dokumen teks, API, dan data multimedia untuk retrieval.

Modul 4: Implementasi RAG dengan Framework Populer

Praktik membangun sistem RAG menggunakan framework seperti LangChain, Haystack, atau LlamaIndex.

Modul 5: Optimisasi dan Fine-Tuning

Strategi untuk meningkatkan relevansi hasil retrieval, mengurangi hallucination pada LLM, dan melakukan fine-tuning.

Modul 6: Studi Kasus dan Deployment

Penerapan RAG untuk chatbot customer service, sistem penjawab dokumen legal, dan knowledge assistant perusahaan.

Contoh Kasus

Sebuah perusahaan layanan hukum ingin membangun asisten virtual yang dapat menjawab pertanyaan terkait regulasi dan dokumen hukum internal. Sistem RAG digunakan untuk mengambil pasal-pasal relevan dari database hukum internal dan publik, lalu menggabungkannya dengan LLM untuk menghasilkan jawaban yang lengkap, akurat, dan mudah dipahami oleh pengguna.

Sebuah perusahaan telekomunikasi ingin membangun sistem chatbot cerdas untuk layanan pelanggan yang mampu menjawab pertanyaan teknis dan administrasi secara akurat. Sistem ini menggunakan Retrieval-Augmented Generation (RAG) untuk menggabungkan informasi dari dokumen teknis internal, basis data pelanggan, dan transkrip percakapan VOIP. Tujuannya adalah memastikan chatbot selalu memberikan jawaban berbasis data terbaru dan relevan, mengurangi beban kerja call center, dan meningkatkan kepuasan pelanggan.