SLMs for Smart Cities: Várostervezés és menedzsment AI-val Képzés

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) kezdő és középszintű adattudósoknak és fejlesztőknek szól, akik szeretnék megvalósítani és hasznosítani a kis nyelvi modelleket különböző alkalmazásokban.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a kis nyelvi modellek architektúráját és funkcióit.
• SLM-ek megvalósítása olyan feladatokhoz, mint a szöveggenerálás és a hangulatelemzés.
• Optimalizálja és finomhangolja az SLM-eket meghatározott felhasználási esetekre.
• Telepítse az SLM-eket erőforrás-korlátozott környezetekben.
• Értékelje és értelmezze az SLM-ek teljesítményét valós forgatókönyvekben.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű oktatástechnológusoknak, oktatási tervezőknek és AI-fejlesztőknek szól az oktatásban, akik a Small Language Models (SLMs)-t szeretnék integrálni oktatási platformokba a tanítási és tanulási folyamatok javítása érdekében.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az SLM-ek szerepét az oktatástechnológiában.
• AI-vezérelt tanulási tapasztalatok tervezése SLM-ek segítségével.
• Valósítsa meg az SLM-eket különböző oktatási körülmények között.
• Értékelje az SLM-ek hatékonyságát a tanulási eredményekben.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű adattudósoknak és gépi tanulási mérnököknek szól, akik olyan kis nyelvi modelleket szeretnének létrehozni és alkalmazni, amelyek speciális területekre, például jogi, orvosi és műszaki területekre vannak szabva. .

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a tartomány-specifikus nyelvi modellek fontosságát és alkalmazását.
• Speciális adatkészletek összegyűjtése és előfeldolgozása a modellképzéshez.
• Nyelvi modellek betanítása és finomhangolása tartományspecifikus alkalmazásokhoz.
• A modellek értékelése és összehasonlítása domainreleváns mutatók segítségével.
• Tartományspecifikus nyelvi modellek telepítése valós helyzetekben.

Ez oktatóvezetett, élő képzés Magyarország-ban (online vagy helyszínen) a magas szintű gépi tanulási mérnököknek és az AI kutatók számára van szánva, akik kis nyelvi modelljekkel kívánnak energiahatékony AI-oldalakot fejleszteni, amelyek egyaránt erősök és környezetbarátak.

E képzés végére a résztvevők képesek lesznek:

• Megértik az AI hatását az energiafelhasználásra és a környezetre.
• Alkalmaznak modell-szűkítési és optimalizálási technikákat az AI-modellek méretének és energiahasználatának csökkentéséhez.
• Használnak energiahatékony hardver- és szoftverkereteket az AI-deployáláshoz.
• Alkalmaznak legjobb gyakorlatokat a fenntartható AI-fejlesztéshez.
• Támogatják és hozzájárulnak a fenntartható gyakorlatokhoz az AI-iparban.

Ezen oktatói vezetésű, élő képzés Magyarország (online vagy helyszíni) az intermediális szintű adattudósok, gépi tanulás és AI kutatók számára szolgál, akik kis nyelvmodellekkel szeretnének vonzó és hatékony AI-meghajtott beszélgető élményeket létrehozni.

Ezen képzés során a résztvevők a következőket fogják megtanulni:

• Megértik a beszélgető AI alapjaikat és az SLM-ek szerepét.
• Felhasználóközpontú AI-interakciókat terveznek és valósítanak meg.
• Interaktív alkalmazásokhoz fejlesztik és edznek SLM-eket.
• Alkalmazható mérőszámokat használva értékelik és javítják a ember-AI kommunikáció hatékonyságát.
• Skálázható és etikai AI-meghajtott beszélgető felületeket telepítenek valós világbeli scenáriókban.

Ez oktatóvezetett, élő képzés Magyarország (online vagy előadásos) az olyan középszintű IT szakembereknek szól, akik kis nyelvmintázatok közvetlen telepítését szeretnék végrehajtani olyan eszközökön, amelyek korlátozott feldolgozó képességekkel rendelkeznek. Ez a lehetőséget nyitja meg az innovatív alkalmazások létrehozására különböző szektorokban.

A képzés végére a résztvevők képesek lesznek:

• Megértetni az AI megvalósításának kihívásait és megoldásait kompakt hardveren.
• Optimalizálni és tömöríteni az AI mintákat hatékony eszközon belüli telepítéshez.
• Modern AI keretrendszerek és eszközök használatát az eszközon belüli mintázat megvalósításához.
• Valós idejű AI alkalmazások tervezése és fejlesztése mobil és IoT eszközökhöz.
• Az eszközon belüli AI rendszerek biztonságának és privatitásának értékelése és biztosítása.