Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
1. nap – Generatív MI & LLM alapok
Bevezetés a generatív MI-be és LLM használati esetekbe
A transzformer-alapú modellek megértése (GPT, LLaMA, T5 stb.)
Tokenek, tokenizálás és beágyazások
Előre betanított modellek használata API-kon keresztül (OpenAI, Claude)
Előre betanított modellek használata Hugging Face-en keresztül
Promptolás alapjai: zero-shot és few-shot promptolás
Gyakorlati feladat: prompt mérnöki munka Python notebookban
Egy egyszerű LLM-alapú alkalmazás építése (CLI vagy web)
Gyakorlati korlátok: tokenek, sebességkorlátok és alapvető megbízhatósági technikák
2. nap – RAG és vektorkeresés
Miért RAG: LLM-ek összekapcsolása saját adatokkal
RAG architektúra: betöltés, indexelés, lekérdezés, generálás
Dokumentumok előkészítése és darabolása lekérdezéshez
Szövegbeágyazások generálása API-k vagy Hugging Face segítségével
Bevezetés a vektortárakba (pl. Chroma, Pinecone)
Gyakorlati feladat: egy alapvető szemantikus kereső szkript építése
Gyakorlati feladat: dokumentum kérdés-válasz rendszer építése RAG-gel
Betöltés és beágyazások skálázása (nagyobb adatmennyiségek munkafolyamatainak áttekintése)
Tervezési kompromisszumok RAG-ben: darabolás, top-k, költség vs minőség
3. nap – Munkafolyamatok, ügynökök és gyártás
Mik azok az AI ügynökök és mikor érdemes őket használni
Bevezetés a LangGraphbe és gráfalapú LLM munkafolyamatokba
Gyakorlati feladat: egy egyszerű LangGraph munkafolyamat építése eszközökkel
Memória és többlépcsős érvelés hozzáadása a munkafolyamatokhoz
RAG és ügynökök kombinálása (agentic RAG)
LLM és RAG rendszerek monitorozása és értékelése
LLM alkalmazások üzembe helyezési lehetőségei (API-k, konténerek, szolgáltatások)
Költség- és teljesítményoptimalizálási stratégiák
Alapvető biztonsági intézkedések, korlátok és felelős használat
Záróprojekt: végpontok közötti RAG/ügynök alkalmazás bemutatója
Követelmények
Szilárd Python programozási ismeretek és API-k ismerete.
Célközönség:
Ez a kurzus azoknak a szervezeteknek szól, amelyek szeretnének kísérletezésből valódi LLM-alapú megoldásokra váltani. Megfelelő szoftver-, backend- és full-stack mérnökök számára, akik LLM-eket integrálnak termékekbe és szolgáltatásokba; adat- és gépi tanulási mérnökök számára, akik RAG-gel, beágyazásokkal és vektorkereséssel dolgoznak; megoldás- és vállalati architektusok számára, akik LLM-alapú architektúrákat terveznek; valamint technikai terméktulajdonosok és mérnöki vezetők számára, akik felelősek az AI használati esetek, költségek és kockázatok értékeléséért.
21 Órák
Vélemények (3)
Az oktatók válaszolhatnak minden kérdésre és fogadhatnak bármilyen megkeresést
Dewi Anggryni - PT Dentsu International Indonesia
Kurzus - Copilot for Finance and Accounting Professionals
Gépi fordítás
Az AI felhasználási esetek és alkalmazásainak átvétele segítőnek volt. Elégedett voltam az egyes mesterséges intelligencia ügynökök körutatással.
Axel Schulz - CANARIE Inc
Kurzus - Microsoft 365 Copilot: AI Productivity Across Word, Excel, PowerPoint, Outlook, and Teams
Gépi fordítás
Szívesen vette fel, hogy a képző rendkívül sok tudást rendelkezett és ezt bennünket keresztül osztotta meg.
Daria Pawlak - LKQ POLSKA SPOLKA Z OGRANICZONA ODPOWIEDZIALNOSCIA
Kurzus - Microsoft 365 Copilot Chat for Word, Excel, PowerPoint, and Outlook
Gépi fordítás
