SLM-ek az okosvárosok számára: Várostervezés és -menedzsment mesterséges intelligenciával Képzés

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) kezdő és középhaladó szintű adattudósoknak és fejlesztőknek szól, akik szeretnék megvalósítani és kihasználni a Kis Nyelvi Modelleket különböző alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Kis Nyelvi Modellek architektúráját és működését.
• SLM-ek implementálása olyan feladatokhoz, mint a szöveggenerálás és az érzelmek elemzése.
• SLM-ek optimalizálása és finomhangolása specifikus felhasználási esetekre.
• SLM-ek üzembe helyezése erőforrás-korlátozott környezetekben.
• SLM-ek teljesítményének értékelése és értelmezése valós forgatókönyvekben.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középszintű oktatási technológusok, oktatási tervezők és oktatásban dolgozó AI-fejlesztők számára készült, akik szeretnék integrálni a Kis Nyelvi Modelleket (SLM-eket) oktatási platformokba, hogy fokozzák a tanítási és tanulási folyamatokat.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az SLM-ek szerepét az oktatási technológiában.
• AI-alapú tanulási élmények tervezése SLM-ek segítségével.
• SLM-ek implementálása különböző oktatási környezetekben.
• Az SLM-ek hatékonyságának értékelése a tanulási eredményekben.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó adattudósok és gépi tanulás mérnökök számára készült, akik területspecifikus kis nyelvi modelleket szeretnének létrehozni és alkalmazni, például jogi, orvosi és műszaki területeken.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a területspecifikus nyelvi modellek fontosságát és alkalmazását.
• Speciális adathalmazok összeállítása és előfeldolgozása a modellképzéshez.
• Nyelvi modellek képzése és finomhangolása területspecifikus alkalmazásokhoz.
• Modellek értékelése és összehasonlítása területspecifikus metrikák alapján.
• Területspecifikus nyelvi modellek üzembe helyezése valós forgatókönyvekben.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű gépi tanulási mérnökök és AI kutatók számára készült, akik energiahatékony AI megoldásokat szeretnének fejleszteni kis nyelvi modellek segítségével, amelyek erősek és környezetbarátak is.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AI hatását az energiafogyasztásra és a környezetre.
• Modelltömörítési és optimalizálási technikák alkalmazásával csökkenteni az AI modellek méretét és energiaigényét.
• Energiahatékony hardvereket és szoftver keretrendszereket használni az AI üzembe helyezéséhez.
• Fenntartható AI fejlesztési gyakorlatokat implementálni.
• Szószólóvá válni és hozzájárulni a fenntartható gyakorlatokhoz az AI iparágban.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középszintű adattudósok, gépi tanulási és AI-kutatók számára készült, akik vonzó és hatékony AI-alapú beszélgetési élményeket szeretnének létrehozni kisnyelvi modellek segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a beszélgetésalapú AI alapjait és az SLM-ek szerepét.
• Felhasználóközpontú AI interakciók tervezése és implementálása.
• SLM-ek fejlesztése és betanítása interaktív alkalmazásokhoz.
• Az emberi-mesterséges intelligencia kommunikáció hatékonyságának értékelése és javítása megfelelő metrikák segítségével.
• Skálázható és etikus AI-alapú beszélgetési felületek üzembe helyezése valós forgatókönyvekben.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középszintű IT-szakembereknek szól, akik kis nyelvi modelleket szeretnének közvetlenül korlátozott feldolgozókapacitású eszközökre telepíteni, ezzel új lehetőségeket nyitva meg innovatív alkalmazások terén különböző szektorokban.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a kihívásokat és megoldásokat a MI kompakt hardveren történő implementálásához.
• Optimalizálni és tömöríteni az MI modelleket a hatékony eszközön belüli telepítés érdekében.
• Modern MI keretrendszerek és eszközök használata az eszközön belüli modell implementálásához.
• Valós idejű MI alkalmazások tervezése és fejlesztése mobil- és IoT eszközökre.
• Az eszközön belüli MI rendszerek biztonságának és adatvédelmének értékelése és biztosítása.