03
Create Embeddings, Vector Search, and RAG with BigQuery
03
Create Embeddings, Vector Search, and RAG with BigQuery
These skills were generated by AI. Do you agree this course teaches these skills?
This course explores a Retrieval Augmented Generation (RAG) solution in BigQuery to mitigate AI hallucinations. It introduces a RAG workflow that encompasses creating embeddings, searching a vector space, and generating improved answers. The course explains the conceptual reasons behind these steps and their practical implementation with BigQuery. By the end of the course, learners will be able to build a RAG pipeline using BigQuery and generative AI models like Gemini and embedding models to address their own AI hallucination use cases.
Course Info
Objectives
- Generate embeddings using the embedding models with BigQuery.
- Perform vector search in BigQuery and understand its process.
- Create a RAG (Retrieval Augmented Generation) pipeline with BigQuery.
Prerequisites
Prior experience with programming languages including SQL or Python
Basic knowledge of ML and generative AI
Audience
Data scientists, data analysts, AI developers
Available languages
English, Deutsch, español (Latinoamérica), français, bahasa Indonesia, 日本語, 한국어, português (Brasil), 简体中文 ve 繁體中文
Bu kursu tamamladıktan sonra ne yapmam gerekiyor?
Bu kursu tamamladıktan sonra öğrenim yolunuzdaki ek içerikleri keşfedebilir veya öğrenim kataloğuna göz atabilirsiniz
Hangi rozetleri kazanabilirim?
Bir kursu tamamladığınızda tamamlama rozeti kazanırsınız. Rozetler profilinizde görünür ve sosyal ağlarınızda paylaşılabilir.
Bu kursa, talep iş ortaklarımızdan biri aracılığıyla katılmak ister misiniz?
Coursera ve Pluralsight'taki Google Cloud içeriklerini keşfedin
Bir eğitmen eşliğinde öğrenmeyi mi tercih ediyorsunuz?