《使用 NVIDIA NIM 大规模部署 RAG 工作流》
新课发布
配有实战练习环境的在线自主培训
在现代企业商业智能化的发展中，检索增强生成（RAG）在大语言模型应用中的地位日益凸显。不仅能够显著提升企业内容创作与交互的智能化水平，还能在多个业务场景中实现精准信息抽取与高效内容生成。企业级的 RAG 应用需要应对巨大流量和大规模文档，从模型搭建到生产级部署具有很高的复杂度和参数量。
本课程探讨 RAG 工作流生产级部署的最佳实践。您将学习部署、监控、自动扩展、线上热更新的全工作流。为您在搭建部署过程中，降低试错成本，加速大模型应用落地。
-
课程时长：4 学时（课后 6 个月内可以继续访问课件，实验资源用量有限额）
-
课程语言：中文
-
工具、库、框架：NVIDIA NIMs、Kubernetes、Helm、Grafana、Prometheus
-
学习目标：
-
使用 Helm 和 NVIDIA RAG Operator 将 RAG 应用部署到 Kubernetes 集群上。
-
利用 NVIDIA NIM 实现可扩展的容器化 LLM 和嵌入模型。
-
连接、更新、添加和自动扩展应用组件。
-
使用 Prometheus 和 Grafana 监控应用性能。
-
课程大纲：
-
课程设置概述：熟悉课程的交互式环境、Kubernetes 设置，并了解课程所需的 Kubernetes 概念和命令。
-
基于 Kubernetes 的 RAG 应用部署：如何使用 Kubernetes 和 Helm 部署 RAG 工作流，以及如何在工作流中使用单个 NIM 服务。
-
监控：如何使用 DCGM 监控应用程序，以及如何配置和查看 Grafana 和 Prometheus。
-
自动扩展：基于自定义指标使用 HPA 自动扩展应用程序，并对应用程序进行负载测试。
-
自定义 RAG 工作流组件：替换应用组件，例如 LLM。
