Presenter Notes - Sesiunea 9

Va pun o intrebare: ati incercat vreodata sa intrebati Claude ceva specific despre firma voastra? Despre un contract, o procedura interna, un regulament?

Si ce v-a raspuns? Probabil ceva generic si frumos formulat. Dar complet inutil. De ce? Pentru ca Claude stie tot internetul, dar nu stie nimic despre firma voastra. Astazi rezolvam asta.

RAG suna ca un termen din NASA, nu? Retrieval-Augmented Generation. Lasati-ma sa-l traduc in limbaj uman.

Imaginati-va un student la examen. Fara RAG, studentul raspunde din memorie - stie multe, dar uneori inventeaza. CU RAG, studentul are voie cu caietul deschis. Cauta in notite, gaseste informatia exacta, si raspunde precis.

RAG e 'examenul cu caietul deschis' pentru AI. In loc sa inventeze, cauta in documentele voastre si raspunde bazat pe fapte.

Fara RAG, Claude halucioneaza. Cu RAG, Claude citeaza. E diferenta dintre 'cred ca...' si 'conform documentului X, pagina 7...'

Ok, deci RAG e genial in teorie. Dar are o problema mare pe care nimeni nu o mentioneaza...

Ati pus vreodata un document de 50 de pagini in Claude si ati primit un raspuns care parea ca a citit doar prima pagina? Nu e Claude prost. E chunking-ul prost.

Ce face sistemul implicit? Ia documentul si il taie in bucati de 1000 de tokeni. Ca si cum ai lua o carte si ai taia fiecare pagina in jumatate cu foarfeca. Uneori taie exact in mijlocul informatiei importante.

Rezultatul? Claude cauta raspunsul, gaseste o jumatate de paragraf, si improvizeaza restul. De-aia primiti raspunsuri care par corecte dar lipsesc detalii cruciale.

Deci chunking-ul implicit e problema. Care e solutia?

In loc sa tai la 1000 de tokeni orbeste, tai pe structura documentului. Capitol 1 e un chunk. Sectiunea 2.3 e un chunk. Fiecare bucata are sens de sine statatoare.

E ca diferenta dintre a taia o pizza pe felii... si a o taia cu un grid matematic. Feliile urmeaza structura naturala. Grid-ul taie prin topping-uri.

Pasul 1: Analizezi structura documentului. Are capitole? Sectiuni? Pasul 2: Fiecare sectiune devine un chunk independent. Pasul 3: Adaugi metadata - titlul sectiunii, numarul paginii. Pasul 4: Cand Claude cauta, gaseste sectiuni complete, nu fragmente.

Acum ca stim sa aducem informatii corecte in AI, hai sa vedem o aplicatie practica: social media.

Cati dintre voi posteaza pe social media pentru firma? Si cati petrec ore gandind 'ce sa scriu astazi?'

Cu Claude si ce am invatat pana acum - Projects pentru context, Skills pentru consistenta, CARE pentru prompturi - puteti genera o saptamana de continut in 30 de minute.

Pasul 1: Creezi un proiect Claude cu brand guidelines. Pasul 2: Activezi un skill de social media cu tonul si formatul tau. Pasul 3: Folosesti CARE - 'Context: sunt o firma de constructii din Timisoara. Action: genereaza 5 posturi LinkedIn pentru saptamana asta. Result: format scurt, cu emoji, cu CTA. Example: uite postarea de saptamana trecuta care a avut cel mai mare engagement.'

30 de minute. 5 posturi. Pe brand. Gata. Si mai ai timp si de cafea.

Astazi am trecut de la AI generic la AI specializat. RAG face AI-ul sa lucreze cu datele VOASTRE. Structural chunking face RAG-ul sa functioneze CORECT. Si social media e doar primul exemplu de aplicare practica.

Ganditi-va: daca AI-ul poate citi si intelege TOATE documentele firmei voastre, ce intrebari i-ati pune? Asta e adevarata putere a RAG.

Sesiunea urmatoare e ULTIMA. Si e speciala. Vom descoperi Zapier si MCP - cum conectezi AI-ul cu ORICE aplicatie. Vom vorbi despre OpenClaw - crawling web pe steroizi. Si cel mai important: va pregatiti prezentarile finale ale proiectelor voastre. E momentul sa aratati ce ati construit!

Tema: luati un document important din firma si ganditi cum l-ati chunk-ui structural. Ce sectiuni ar deveni chunk-uri? Ce metadata ati adauga? Intrebari?