1. Wprowadzenie do Retrieval-Augmented Generation (RAG)
- czym jest RAG i na jakich zasadach działa,
- łączenie mechanizmów wyszukiwania informacji z generowaniem treści.

2. RAG a tradycyjne generowanie tekstu - najważniejsze różnice
- ograniczenia modeli generatywnych działających bez dodatkowego kontekstu,
- rola zewnętrznych źródeł wiedzy w podejściu RAG.

3. Zastosowanie RAG w obszarze AI i NLP
- wykorzystanie w chatbotach oraz inteligentnych asystentach,
- automatyczne wyszukiwanie informacji i tworzenie podsumowań.

4. RAG w praktyce - przykłady rynkowe
- realne wdrożenia w firmach technologicznych,
- wpływ RAG na zwiększenie jakości i wiarygodności odpowiedzi.

5. Jak działa model RAG - przegląd koncepcji
- ogólna architektura systemu RAG,
- główne elementy składowe rozwiązania.

6. Współpraca retrievera z modelem generatywnym (FAISS, Chroma + GPT, LLaMA, Claude)
- zasada działania wyszukiwania wektorowego,
- sposób wykorzystania znalezionych danych przez generator.

7. Przepływ danych w systemie RAG
- etapy wyszukiwania, przetwarzania i generowania odpowiedzi,
- metody przechowywania i obróbki danych.

8. Źródła wiedzy w systemach RAG
- wektorowe bazy danych,
- dokumenty, pliki lokalne oraz interfejsy API jako zasoby wiedzy.

9. Dobór i konfiguracja mechanizmu wyszukiwania (FAISS, Pinecone, Weaviate)
- jak działa porównywanie wektorów w praktyce,
- dopasowanie technologii do konkretnego scenariusza użycia.

10. Integracja RAG z modelami językowymi (OpenAI, Mistral, LLaMA, Claude)
- które modele najlepiej sprawdzają się w architekturze RAG,
- dostosowanie parametrów modelu do potrzeb projektu.

11. Strategie indeksowania i wyszukiwania danych
- techniki poprawiające szybkość i trafność wyszukiwania,
- sposoby eliminowania powtórzeń i błędnych wyników.

12. Implementacja RAG w Pythonie (LangChain, LlamaIndex)
- przykładowe podejście do budowy systemu RAG,
- testowanie, analiza błędów i debugowanie rozwiązania.

13. Metody zwiększania precyzji odpowiedzi
- selekcja najbardziej relewantnych dokumentów,
- kontrola jakości i trafności wyników.

14. Filtrowanie i ranking wyników wyszukiwania
- ocena dokumentów na podstawie scoringu,
- dynamiczne dostosowywanie kryteriów wyszukiwania.

15. Przygotowanie danych i tworzenie embeddingów
- przetwarzanie wstępne dokumentów a jakość wyników,
- optymalizacja embeddingów pod kątem wyszukiwania semantycznego.

16. Ograniczanie halucynacji modeli generatywnych
- techniki sprawdzania poprawności odpowiedzi,
- monitorowanie jakości generowanego tekstu.

17. Optymalizacja wydajności systemu RAG
- minimalizowanie opóźnień w obsłudze zapytań,
- obniżanie kosztów obliczeniowych.

18. Cache'owanie odpowiedzi i kontrola kosztów
- strategie przechowywania wyników w pamięci podręcznej,
- efektywne zarządzanie zasobami systemu.

19. Skalowanie RAG w środowisku produkcyjnym
- przygotowanie systemu na dużą liczbę zapytań,
- rozproszone przetwarzanie i skalowanie infrastruktury.