Complete RAG System: From LLM Retrieval to AWS Deployment

Name: Complete RAG System: From LLM Retrieval to AWS Deployment
Rating: 4.8 (41 reviews)

قم ببناء نظام RAG متكامل باستخدام LLMs مفتوحة المصدر و embeddings، وقم بنشره على AWS باستخدام Docker و EC2.

Created byAmr Koura

Last updated 5/2025

Arabic

Arabic [Auto],

What you'll learn

Learn how to build an end-to-end RAG application that enhances LLM responses with real-time document retrieval for more accurate and context-aware answers.
Gain hands-on experience using open-source large language models like LLaMA to extract insights from documents and power intelligent question-answering systems
Develop a fully functional, interactive question-answering application using Streamlit, enabling users to query documents with natural language.
Learn to containerize your RAG system, deploy it on AWS with Docker, and optimize performance for scalability and real-world usage.

Course content

5 sections • 14 lectures • 3h 10m total length

Introduction8:30
Welcome to the course! ? In this video, you'll get an overview of what to expect in this journey. We'll introduce the course structure, key topics, and how you’ll build a complete Retrieval-Augmented Generation (RAG) system from scratch. Let’s get started!
Course outline6:15
In this video, we’ll walk through the complete course outline. ? You'll get a clear roadmap of the key topics we'll cover, from understanding RAG systems to deploying your AI application on AWS. Get ready to dive in!

Introduction to Google Colab12:44
In this video, you'll get a quick introduction to Google Colab, a powerful cloud-based tool for running Python code effortlessly.
Introduction to Ollama19:44
Learn how to use Ollama, a simple way to run LLaMA and other open-source LLMs locally. We’ll walk through installing Ollama in Google Colab and show you how to send questions to the model for real-time responses.
Open source models
Adding Memory to Your LLaMA Model14:00
In this video, we’ll enhance our LLaMA model by adding memory, allowing it to retain context across interactions. This is a crucial step for building smarter, more dynamic AI-powered applications.

Understanding RAG – How It Works14:39
In this video, we'll break down Retrieval-Augmented Generation (RAG)—what it is, how it works, and why it's essential for enhancing LLMs. You'll learn how RAG improves responses by retrieving relevant information from external documents before generating an answer.
Creating an Embeddings Database for English Documents14:10
Learn how to convert English documents into vector embeddings and store them in a database for efficient retrieval. We'll cover how embeddings work, which tools to use, and how they enhance your RAG system's accuracy.
Custom Splitting for Arabic Documents9:34
In this video, we’ll explore different ways to split a document and apply them to Arabic text. We'll build a custom splitter to ensure meaningful chunking for better retrieval in RAG applications.
Building the RAG Chain12:01
Now it's time to connect the pieces! We'll build a RAG pipeline, integrating embeddings, retrieval, and LLM inference into a seamless workflow that allows intelligent document-based question answering.
Creating a User Interface for the RAG System22:41
In this final step, we’ll build an interactive UI using Streamlit. You'll learn how to design a simple, user-friendly front end where users can upload documents, ask questions, and get AI-generated responses based on the retrieved content.

Introduction to AWS Deployment7:18
Get an overview of AWS deployment! Learn the key services needed to host your RAG app, including EC2, Docker, and networking essentials for a smooth cloud setup.
Building and Pushing a Docker Image21:17
In this video, we’ll containerize your RAG application using Docker, create a Docker image, and push it to a container registry for seamless deployment.
Deploying to an EC2 Instance20:39

Requirements

Python

Description

اكتشف قوة (Retrieval-Augmented Generation - RAG) وتعلّم كيفية بناء تطبيقات ذكاء اصطناعي ذكية وفعالة من الصفر. يقدّم لك هذا الكورس دليلاً شاملاً خطوة بخطوة لدمج نماذج الذكاء الاصطناعي مفتوحة المصدر (LLMs) مثل (LLaMA) مع تقنيات استرجاع المستندات لإنشاء نظام إجابة على الأسئلة دقيق وفعّال في الوقت الحقيقي. ستتمكن من بناء تطبيقات تعتمد على الذكاء الاصطناعي لفهم المستندات واسترجاع المعلومات بذكاء، مما يعزز أداء أنظمة البحث والتفاعل مع المستخدمين.

يبدأ الكورس بشرح أساسيات (RAG)، ويوضّح كيفية قيام (LLMs) بالاستفادة من مصادر المعرفة الخارجية لاسترجاع المعلومات وإنشاء إجابات أكثر دقة وموضوعية. بعد ذلك، ستتعرّف على تقنيات (embeddings) وقواعد بيانات المتجهات، وستتعلم كيفية معالجة المستندات وتحويلها إلى تمثيلات عددية تسهّل عملية البحث والاسترجاع بمرونة وكفاءة. يركّز الكورس أيضًا على تقنيات تقسيم النصوص المخصصة، خاصة للمستندات العربية ومتعددة اللغات، لضمان استخراج أجزاء نصية ذات معنى يعزز جودة استجابات الذكاء الاصطناعي.

بعد بناء الأساسيات، ستنتقل إلى تطوير واجهة مستخدم تفاعلية باستخدام (Streamlit)، مما يسمح للمستخدمين بتحميل المستندات وطرح الأسئلة والحصول على إجابات دقيقة. كما ستتعلم كيفية نشر نظام (RAG) على (AWS) باستخدام (Docker) وحاويات التطبيقات، بالإضافة إلى تشغيله على (EC2 Instance) لضمان قابلية التوسع والعمل في بيئات الإنتاج بفعالية.

بنهاية الكورس، ستكون قادرًا على بناء نظام (RAG) متكامل وفعّال لاسترجاع المعلومات ومعالجة البيانات بذكاء. سواء كنت مطورًا، عالم بيانات، أو باحثًا في الذكاء الاصطناعي، سيوفر لك هذا الكورس المعرفة العملية والمهارات التقنية اللازمة لبناء ونشر حلول ذكاء اصطناعي متقدمة في بيئات الإنتاج.

Who this course is for:

AI Enthusiasts & Developers
Data Scientists & ML Engineers
Software & Cloud Engineers
Tech Professionals & Researchers

Complete RAG System: From LLM Retrieval to AWS Deployment

What you'll learn

Explore related topics

Course content

Introduction2 lectures • 15min

Deploying and Interacting with LLaMA on Google Colab3 lectures • 46min

Building a Retrieval-Augmented Generation (RAG) System5 lectures • 1hr 13min

Deploying Your RAG App to AWS3 lectures • 49min

Wrapping Up & Final Thoughts1 lecture • 7min

Requirements

Description

Who this course is for: