RAG klasy enterprise w C# i .NET - wyszukiwanie dokumentów z wykorzystaniem AI
Program wdrożeniowy obejmujący budowę dwóch gotowych aplikacji RAG oraz agenta AI do automatyzacji procesów biznesowych związanych z przeszukiwaniem i analizą dużych zbiorów dokumentów. Uczestnicy poznają pełny pipeline przetwarzania dokumentów - od embeddingów i chunkingu, przez wyszukiwanie semantyczne i hybrydowe, aż po skalowanie z użyciem ANN/HNSW/IVF/FAISS. Szkolenie łączy intensywne warsztaty w C# i .NET z praktyczną implementacją rozszerzeń klasy enterprise (rate limiting, guardrails, analiza BIAS, testy regresji). Rezultatem jest gotowa do produkcji architektura RAG oraz baza do dalszej automatyzacji procesów dokumentowych.
Dlaczego to szkolenie?
Rozwiązania oparte o LLM i RAG (Retrieval Augmented Generation) stały się standardem wdrożeniowym w organizacjach, które zarządzają dużymi zbiorami dokumentów - regulacjami, umowami, raportami, instrukcjami. Samo “podłączenie ChatGPT” nie jest jednak wdrożeniem klasy enterprise. Realne systemy produkcyjne wymagają precyzyjnego pipeline’u przetwarzania dokumentów, skalowalnej architektury wyszukiwania, mechanizmów kontroli jakości oraz integracji z istniejącym stackiem technologicznym organizacji.
To szkolenie prowadzi uczestnika przez pełny cykl budowy dwóch gotowych aplikacji RAG klasy enterprise w C# i .NET - od pierwszej linii kodu aż po rozszerzenia gotowe do produkcji. Nie zatrzymuje się na demo - pokazuje jak rozwiązać realne problemy wydajnościowe przy milionach dokumentów, jak zapewnić guardrails i rate limiting, jak przeprowadzić analizę BIAS oraz testy regresji modelu.
Co wyróżnia program?
- Dwie kompletne aplikacje RAG budowane od zera w trakcie szkolenia, nie fragmenty czy demo
- Stack .NET/C# z Semantic Kernel jako pierwszoklasowy framework orkiestracji agentów AI
- Skalowanie do milionów dokumentów z użyciem ANN/HNSW/IVF oraz biblioteki FAISS (przyśpieszenie 100-1000x)
- Wyszukiwanie hybrydowe łączące FTS (Full-Text Search) z wyszukiwaniem semantycznym
- Rozszerzenia enterprise: rate limiting, guardrails, analiza BIAS, wykrywanie outlierów, testy regresji
- Agent AI do SQL jako plugin Semantic Kernel - baza do dalszej automatyzacji procesów biznesowych
Efekty dla organizacji
Po szkoleniu zespół jest gotowy do samodzielnego wdrożenia systemu RAG klasy enterprise w organizacji - bez zależności od zewnętrznych dostawców. Architektura dopasowana do istniejącego stacku .NET minimalizuje dług technologiczny, a gotowe implementacje mechanizmów kontrolnych (guardrails, rate limiting, testy regresji) pozwalają przejść etap pilotażu i wejść w produkcję z systemem spełniającym wymagania branż regulowanych.
Korzyści
- Zbudowanie dwóch gotowych aplikacji RAG klasy enterprise w architekturze produkcyjnej
- Opanowanie pełnego pipeline'u przetwarzania dokumentów (chunking, embeddingi, indeksowanie, wyszukiwanie)
- Wdrożenie rozwiązań hybrydowych łączących wyszukiwanie pełnotekstowe i semantyczne
- Zastosowanie Semantic Kernel (.NET) do orkiestracji agentów AI oraz pluginów SQL
- Projektowanie skalowalnych systemów RAG z wykorzystaniem ANN, HNSW, IVF i biblioteki FAISS
- Implementacja rozszerzeń klasy enterprise: rate limiting, guardrails, analiza BIAS, testy regresji
- Stworzenie bazy technologicznej do dalszej automatyzacji procesów biznesowych na dokumentach
Dla kogo jest to szkolenie?
Wymagania wstępne
- Praktyczna znajomość języka C# i platformy .NET
- Podstawowa wiedza z zakresu relacyjnych baz danych i T-SQL
- Ogólna świadomość konceptów uczenia maszynowego i modeli językowych (LLM)
- Minimum 2 lata doświadczenia w komercyjnym wytwarzaniu oprogramowania
Program szkolenia
Omówienie stacku technologicznego
- Środowisko warsztatowe - Core
- Alternatywne technologie enterprise
- Podsumowanie i uzasadnienie stacku technologicznego
Instalacja wymaganego środowiska
- Wymagania sprzętowe
- Instalacja oprogramowania i doinstalowanie wymaganych składników
- Graficzny schemat działania modelu
Case: system wyszukiwania dokumentów w banku
- Wprowadzenie do systemu
- Scenariusz biznesowy
- Zakres dokumentów
- Problem wyszukiwania dokumentów
- Architektura rozwiązania
- Model danych
Utworzenie bazy danych, DBO, FTS i omówienie dokumentów
- Utworzenie bazy danych i DBO
- FTS (Full-Text Search)
- Omówienie dokumentów PDF
- Przygotowanie DBO dla dokumentów
- Docelowy proces wyszukiwania
- Załadowanie testowych dokumentów
Embeddingi, wektory, metody
- Wprowadzenie
- Reprezentacja tekstu jako wektor
- Przestrzeń wektorowa
- Podobieństwo wektorów
- Metoda cosine similarity (podobieństwo cosinusowe)
- Wyprowadzenie matematyczne
- Przykład obliczenia podobieństwa cosinusowego
- Normalizacja L2
- ANN - Approximate Nearest Neighbor (przybliżony najbliższy sąsiad)
- Ręczne obliczenie podobieństwa cosinusowego
- Implementacja cosine similarity w T-SQL
- Implementacja cosine similarity w .NET C# (CLR)
- Case: test wydajnościowy - SQL vs .NET C#
Budowa pipeline (proces)
- Wprowadzenie do pipeline (proces)
- Architektura pipeline (proces)
- Cel dzielenia dokumentów na fragmenty
- Czym jest chunk
- Sliding window
- Overlap
- Granularność chunków
- Strategia segmentacji regulacji prawnych
- Implementacja chunkingu w .NET C#
- Model embeddingów i ich uzasadnienie
- Implementacja embeddingów w .NET C#
Gotowy projekt RAG w C#
- Wstęp dotyczący podejścia
- Implementacja aplikacji RAG w C#
Czyszczenie i aktualizacja dokumentów
- Wprowadzenie
- Implementacja procedury
- Podpięcie procedury do aplikacji
Case: wyszukiwanie semantyczne (hybrid)
- Wprowadzenie do sposobów wyszukiwania
- Architektura pipeline (proces) systemu RAG
- Model llama3
- Implementacja pipeline RAG (hybrid)
- Case: lista wymaganych dokumentów (PL)
Case: użycie Semantic Kernel (.NET)
- Wstęp
- Semantic Kernel (.NET) i orkiestracja
- Implementacja docelowa RAG i orkiestracja
- Podsumowanie
- Agent AI do SQL (plugin) v1
- Agent AI do SQL (plugin) v2
Problem skalowania w systemach RAG
- Wstęp
- Brute-force similarity = O(n)
- Wąskie gardła (bottlenecks)
- Dlaczego 10k działa a 1m nie
- Case: pomiar czasu
- Case: ile RAM zajmuje baza embeddingów
- Case: test realny w projekcie C#
ANN, HNSW, IVF, FAISS: przyśpieszenie 100-1000x
- ANN (Approximate Nearest Neighbor)
- HNSW (Hierarchical Navigable Small World)
- IVF (Inverted File Index)
- HNSW vs IVF
- Biblioteka FAISS vs Vector DB
Instalacja FAISS
- Wstęp
- Instalacja Python
- Środowisko wirtualne venv
- Instalacja FAISS
- Weryfikacja instalacji FAISS
- Podsumowanie
RAG: poziom enterprise - implementacja
- Schemat finalny rozwiązania klasy enterprise
- Budowa API FAISS (Flask)
- Integracja z C# (nasz projekt)
- Testowanie
- Podsumowanie
Rozszerzenia klasy enterprise w systemie RAG
- Rate limiting - ograniczenia szybkości
- Guardrails - bariery ochronne
- Analiza BIAS
- Wykrywanie outlierów - wartości odstające
- Testy regresji modelu
- Podsumowanie modułu
Formy realizacji
Online
- Wygoda uczestnictwa z dowolnego miejsca
- Interaktywne sesje na żywo z trenerem
- Materiały dostępne przez 30 dni
- Brak kosztów dojazdu
Stacjonarnie
- Bezpośredni kontakt z trenerem i grupą
- Intensywne warsztaty praktyczne
- Networking z innymi uczestnikami
- Pełne skupienie na nauce
Najczęściej zadawane pytania
Jakie są wymagania wstępne do udziału w szkoleniu?
Zalecamy praktyczną znajomość języka C# i platformy .NET, podstawową wiedzę z relacyjnych baz danych i T-SQL, ogólną świadomość konceptów ML/LLM oraz minimum 2 lata doświadczenia w komercyjnym wytwarzaniu oprogramowania.
Jaki jest format i czas trwania szkolenia?
Szkolenie trwa 4 dni (32 godziny szkoleniowe) i dostępne jest w formie online oraz stacjonarnej. Zajęcia prowadzone są w godzinach 9:00-16:00 z przerwami. Możemy dostosować harmonogram do potrzeb zespołu.
Dla kogo jest to szkolenie?
Szkolenie kierujemy do deweloperów .NET/C#, architektów systemów, specjalistów ds. transformacji cyfrowej oraz inżynierów AI/ML wdrażających rozwiązania RAG w organizacjach z branż finansowej, ubezpieczeniowej, prawnej, telekomunikacyjnej, BPO i HoReCa.
Czy otrzymam certyfikat?
Tak - każdy uczestnik otrzymuje certyfikat ukończenia szkolenia EITT oraz komplet materiałów szkoleniowych.
Jakie technologie wykorzystywane są na szkoleniu?
Główny stack to C#/.NET z Semantic Kernel, SQL Server (T-SQL), Python (venv) oraz biblioteka FAISS z API Flask. W trakcie szkolenia powstają dwie gotowe aplikacje RAG klasy enterprise oraz agent AI do SQL.
Poproś o ofertę
Możliwości dofinansowania
Sprawdź możliwości dofinansowania dla Twojej firmy
Baza Usług Rozwojowych
Dofinansowanie do 80% dla MŚP ze środków EFS
Sprawdź dostępnośćKrajowy Fundusz Szkoleniowy
Dofinansowanie do 100% dla pracodawców
Dowiedz się więcejZaufali nam
Szkolimy zespoły największych polskich firm
Zainteresowany tym szkoleniem?
Skontaktuj się z nami - przygotujemy ofertę dopasowaną do potrzeb Twojego zespołu.