Retrieval Quality и Reranking

Сильный RAG начинается не с красивого ответа, а с качественного retrieval. Если система плохо находит, ранжирует и отбирает знания, никакой prompt не спасёт финальный ответ. Этот курс посвящён именно retrieval quality: как проектировать search stack, как улучшать reranking и как измерять, что поиск действительно стал лучше.

Первый модуль даёт фундамент: как chunking, embeddings и storage-слой влияют на качество retrieval ещё до генерации ответа. Второй модуль посвящён самому поиску: hybrid search, reranking и late interaction. Третий модуль закрывает качество и correction loops: evaluation, corrective patterns и self-correcting retrieval.

Курс рассчитан на разработчиков и ML-инженеров, которые уже знакомы с базовым RAG и хотят вывести retrieval layer на production-уровень, а не ограничиваться "векторным поиском по умолчанию".

Лучше всего заходить в этот курс после базового RAG-трека. Если вы ещё не строили простой retrieval pipeline, продвинутые темы вроде late interaction или corrective loops будут восприниматься как лишняя сложность. Модули здесь тоже важно проходить по порядку: сначала индекс и представление знаний, затем поиск и reranking, и только потом оценка качества и correction patterns.