Свържете се с нас

Съдържание и теми, включени в курса

Въведение в LLM и генеративния AI

  • Изследване на техники и модели
  • Обсъждане на приложения и случаи на употреба
  • Идентифициране на предизвикателства и ограничения

Използване на LLM за задачи за разбиране на естествен език (NLU)

  • Анализ на тоналността
  • Разпознаване на именувани обекти
  • Извличане на релации
  • Семантичен анализ

Използване на LLM за задачи за извод на естествен език (NLI)

  • Откриване на следствие
  • Откриване на противоречие
  • Откриване на парафраза

Използване на LLM за графи на знанието

  • Извличане на факти и релации от текст
  • Извеждане на липсващи или нови факти
  • Използване на графи на знанието за последващи задачи

Използване на LLM за разсъждение, базирано на здрав разум

  • Генериране на правдоподобни обяснения, хипотези и сценарии
  • Използване на бази от знания и набори от данни за здрав разум
  • Оценяване на разсъждение, базирано на здрав разум

Използване на LLM за генериране на диалог

  • Генериране на диалози с разговорни агенти, чатботове и виртуални асистенти
  • Управление на диалози
  • Използване на набори от данни и метрики за диалог

Използване на LLM за мултимодално генериране

  • Генериране на изображения от текст
  • Генериране на текст от изображения
  • Генериране на видеоклипове от текст или изображения
  • Генериране на аудио от текст
  • Генериране на текст от аудио
  • Генериране на 3D модели от текст или изображения

Използване на LLM за мета-обучение

  • Адаптиране на LLM към нови области, задачи или езици
  • Обучение от примери с малко или нула извадки (few-shot или zero-shot)
  • Използване на набори от данни и рамки за мета-обучение и трансферно обучение

Използване на LLM за състезателно обучение (Adversarial Learning)

  • Защита на LLM от злонамерени атаки
  • Откриване и смекчаване на отклонения и грешки в LLM
  • Използване на набори от данни и методи за състезателно обучение и устойчивост

Оценяване на LLM и генеративен AI

  • Оценяване на качеството и разнообразието на съдържанието
  • Използване на метрики като inception score, Fréchet inception distance и BLEU score
  • Използване на методи за човешка оценка като краудсорсинг и анкети
  • Използване на методи за състезателна оценка като тестове на Тюринг и дискриминатори

Прилагане на етични принципи за LLM и генеративен AI

  • Осигуряване на справедливост и отчетност
  • Избягване на злоупотреба и неправомерно използване
  • Зачитане на правата и поверителността на създателите и потребителите на съдържание
  • Насърчаване на креативността и сътрудничеството между хора и AI

Обобщение и следващи стъпки

Изисквания

  • Разбиране на основните концепции и терминология в областта на AI
  • Опит с програмиране на Python и анализ на данни
  • Запознатост с рамки за дълбоко обучение като TensorFlow или PyTorch
  • Разбиране на основите на LLM и техните приложения

Аудитория

  • Специалисти по данни
  • AI разработчици
  • AI ентусиасти
 21 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории