Kurzusleírás

Nyitott forráskódú NLL-k bevezetése

  • DeepSeek, Mistral, LLaMA és más nyílt forráskódú modell áttekintése
  • Hogyan működnek az NLL-k: Transformer-ek, önmagára figyelő mechanizmus és kiképzés
  • Nyílt forráskódú NLL-k összehasonlítása saját tulajdonú modellekkel

NLL-k finomhangolása és testreszabása

  • Adatok előkészítése a finomhangoláshoz
  • NLL-k kiképzése és optimalizálása a Hugging Face használatával
  • Modellteljesítmény értékelése és megítélés csökkentése

Mesterséges Intelligencia Ügynökök építése NLL-kkal

  • LangChain bevezetése az MIA ügynökfejlesztéshez
  • Ügynökökre alapozott folyamatok tervezése NLL-kkal
  • Memória, információk kereséssel kiegészített generálás (RAG) és művelet végrehajtás

NLL-alapú MIA Ügynökök telepítése

  • MIA ügynökök konténerizálása Dockerrel
  • NLL-k integrálása vállalati alkalmazásokba
  • MIA ügynökök skálázása felhőszolgáltatásokkal és API-kal

Biztonság és megfelelés vállalati MIA-ban

  • Etikai megfontolások és szabályozási megfelelés
  • Kockázatok csökkentése MIA-hajtott automatizálásban
  • MIA ügynökviselkedés figyelése és ellenőrzése

Eseménytanulmányok és valós világbeli alkalmazások

  • NLL-hajtott virtuális asszisztensek
  • MIA-hajtott dokumentumautomatizálás
  • Testreszabott MIA ügynökök vállalati elemzésekhez

NLL-alapú Ügynökök optimalizálása és karbantartása

  • Modellek folyamatos javítása és frissítése
  • Figyelő és visszajelzési ciklusok telepítése
  • Stratégiák a költségek optimalizálására és teljesítménybeállításra

Összegzés és következő lépések

Követelmények

  • Mélyreható ismeretek az AI és a gépi tanulás területéről
  • Tapasztalat Python programozással
  • Ismeret a nagy nyelvmodellek (LLMs) és a természetes nyelvfeldolgozás (NLP) területéről

Audience

  • AI mérnökök
  • Vállalati szoftverfejlesztők
  • Üzleti vezetők
 21 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák