Kurzusleírás

Bevezetés a nyílt forráskódú LLM-ekbe

  • Áttekintés a DeepSeek, Mistral, LLaMA és más nyílt forráskódú modellekről
  • Hogyan működnek az LLM-ek: Transzformerek, önmegfigyelés és képzés
  • Nyílt forráskódú LLM-ek összehasonlítása a kereskedelmi modellekkel

LLM-ek finomhangolása és testreszabása

  • Adatelőkészítés a finomhangoláshoz
  • LLM-ek képzése és optimalizálása a Hugging Face segítségével
  • Modell teljesítményének értékelése és elfogultság csökkentése

MI ügynökök építése LLM-ekkel

  • Bevezetés a LangChain-be MI ügynökfejlesztéshez
  • Ügynök-alapú munkafolyamatok tervezése LLM-ekkel
  • Memória, lekérdezés-alapú generálás (RAG) és műveletek végrehajtása

LLM-alapú MI ügynökök üzembe helyezése

  • MI ügynökök konténerbe helyezése Dockerrel
  • LLM-ek integrálása vállalati alkalmazásokba
  • MI ügynökök skálázása felhőszolgáltatásokkal és API-kkal

Biztonság és megfelelőség a vállalati MI-ben

  • Etikai megfontolások és szabályozási megfelelőség
  • Kockázatok csökkentése az MI-alapú automatizálásban
  • MI ügynökök viselkedésének monitorozása és auditálása

Esettanulmányok és valós alkalmazások

  • LLM-alapú virtuális asszisztensek
  • MI-alapú dokumentumautomatizálás
  • Egyedi MI ügynökök vállalati elemzésekhez

LLM-alapú ügynökök optimalizálása és karbantartása

  • Folyamatos modellfejlesztés és frissítés
  • Monitorozási és visszajelzési hurkok üzembe helyezése
  • Költségoptimalizálási és teljesítményfinomhangolási stratégiák

Összefoglalás és következő lépések

Követelmények

  • Erős ismeretek az MI és gépi tanulás területén
  • Tapasztalat Python programozásban
  • Ismeretek a nagy nyelvi modellek (LLM) és a természetes nyelvfeldolgozás (NLP) területén

Célközönség

  • MI mérnökök
  • Vállalati szoftverfejlesztők
  • Üzleti vezetők
 21 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák