Görüntüler ve Tablolarla Çok Modlu RAG
RAG'yi yalnızca düz metnin ötesine taşıyarak görüntüleri, grafikleri ve yapılandırılmış tabloları almasını ve bunlar üzerinde akıl yürütmesini sağlayın.
Görüntüler ve Tablolarla Çok Modlu RAG, CoddyKit'te ücretsiz bir LangChain / RAG / Vector DBs dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, LangChain / RAG / Vector DBs öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. LangChain / RAG / Vector DBs kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
Beyond Plain Text
Real documents contain images, charts, and tables. Multimodal RAG indexes and retrieves these non-text elements so the model can answer questions that depend on them.
What Counts as Multimodal
Multimodal sources include scanned pages, diagrams, screenshots, photos, and spreadsheet-style tables embedded in PDFs or web pages.
- Images
- Charts and figures
- Tables
Strategy 1: Describe Then Embed
Use a vision model to generate a text description of each image, then embed the description with your normal text embeddings. Retrieval stays text-based.
caption = vision_model.describe(image)
store.add_texts([caption], metadatas=[{"image": image_id}])Strategy 2: Multimodal Embeddings
Models like CLIP embed images and text into the same vector space, so a text query can directly match an image without a caption step.
Handling Tables
Tables lose meaning when flattened. Preserve structure by converting each table to Markdown or HTML before chunking so rows and headers stay linked.
table_md = "| Year | Revenue |\n|---|---|\n| 2024 | 10M |\n| 2025 | 12M |"
store.add_texts([table_md], metadatas=[{"type": "table"}])Summarizing Large Tables
For wide or long tables, store both a natural-language summary (for retrieval) and the raw table (for the answer), linking them by id.
Routing by Modality
At query time, detect what the question needs. A request about a chart should retrieve image elements; a numeric lookup should target tables.
Passing Images to the LLM
Multimodal LLMs accept images directly in the prompt. After retrieving the relevant image, include it alongside the question for grounded reasoning.
messages = [{"role": "user", "content": [
{"type": "text", "text": "What trend does this chart show?"},
{"type": "image_url", "image_url": {"url": img_url}},
]}]Citing Visual Sources
Track which image or table produced an answer in metadata, so you can show the user the exact figure or table the model relied on.
Cost and Latency
Vision calls and image embeddings cost more than text. Cache captions, downscale images, and only invoke vision when the query truly needs it.
Putting It Together
Extract images and tables during loading, index them via captions or multimodal embeddings, route queries by modality, and feed the right element to a multimodal LLM.
Quick Check
Test your understanding of multimodal RAG.
Recap
You extended RAG to multiple modalities:
- Describe-then-embed or multimodal embeddings for images
- Preserve table structure as Markdown
- Route queries by modality
- Feed images to a multimodal LLM and cite visual sources
Yapay zeka eğitmeniyle LangChain / RAG / Vector DBs öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 12
- Dersler
- 48
Sıkça Sorulan Sorular
“Görüntüler ve Tablolarla Çok Modlu RAG” dersi ücretsiz mi?
Evet — “Görüntüler ve Tablolarla Çok Modlu RAG” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve LangChain / RAG / Vector DBs kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. LangChain / RAG / Vector DBs kursu toplamda 4 dersten oluşur.
“Görüntüler ve Tablolarla Çok Modlu RAG” dersinde ne öğreneceğim?
RAG'yi yalnızca düz metnin ötesine taşıyarak görüntüleri, grafikleri ve yapılandırılmış tabloları almasını ve bunlar üzerinde akıl yürütmesini sağlayın. LangChain / RAG / Vector DBs ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
LangChain / RAG / Vector DBs öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te LangChain / RAG / Vector DBs, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.
“Görüntüler ve Tablolarla Çok Modlu RAG” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu LangChain / RAG / Vector DBs dersinde kod yazıp çalıştırabilir miyim?
Evet. Her LangChain / RAG / Vector DBs dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Kod Oluşturma ve Yardım İçin RAG
- Gerçek Zamanlı RAG Sistemleri Oluşturma
- RAG'de Yeni Eğilimler ve Araştırmalar
- Görüntüler ve Tablolarla Çok Modlu RAG