از آنجا که مدلهای بزرگ زبان در صنایع مختلف به طور فزاینده ای رواج می یابد ، متخصصان باید نحوه ساخت ، تنظیم دقیق و استقرار این مدل ها را به طور مؤثر و با مسئولیت پذیری درک کنند. در این دوره ، پایه های ساختمان ، تنظیم دقیق و استقرار LLM ها را در برنامه های دنیای واقعی بیاموزید. مربیان Soham Chatterjee و Archana Vaidheeswaran با مقدمه ای برای LLMS و تکامل آنها در چشم انداز AI شروع می کنند. آنها سپس به معماری LLM شیرجه می زنند ، به شما نشان می دهند که چگونه می توانید استراتژی های تنظیم کارهای سفارشی را تنظیم کنید ، توضیح دهید که چرا و چگونه می توان LLM ها را فشرده کرد و در آخر جنبه های مهم مهندسی سریع را پوشش داد. در طول دوره ، آنها یک سری چالش ها و راه حل ها را ارائه می دهند تا بتوانید در هنگام رفتن درسها را تمرین کنید.

 در این دوره عملی ، سناریو محور ، توبیاس زوینگمن ، متخصص هوش مصنوعی به شما نشان می دهد که چگونه می توانید یک پشتیبانی از مشتری پشتیبانی از AI را با استفاده از N8N و یک مدل زبان بزرگ (LLM) از انتخاب خود بسازید. گام به گام ، یک ربات را طراحی کنید که شروع به کار با سؤالات متداول مشترک با یک فوریت خوب ساخته شود-سپس با اتصال آن به Pinecone ، امکان جستجوهای عمیق را در مستندات ، خط مشی ها یا داده های محصول خود قرار دهید. ابزارهایی را که باید بدانید از طریق تجربه دستی برای حل یک مشکل واقعی بیاموزید. هنگامی که این دوره را تمام کردید ، مفاهیم اصلی ساخت چت بابات های AI سفارشی را با N8N درک خواهید کرد و بینش خود را برای حرکت به سمت استقرار آماده تولید بدست آورده اید. چه در OPS ، پشتیبانی یا محصول باشید ، این دوره به شما می دهد که به سرعت با گردش کار عملی و با تأثیر بالا AI آزمایش کنید.

 نسل بازیابی (RAG) به سرعت خود را به عنوان یکی از محبوب ترین راه ها برای استفاده از مدلهای بزرگ زبان (LLM) از هم جدا کرد. چرا؟ از آنجا که RAG یک مشکل اساسی در استفاده از LLMS برای موارد استفاده خودمان ایجاد می کند. LLM ها روی داده های زیادی آموزش دیده اند ، اما آنها به داده های تخصصی مورد نیاز ما برای موارد استفاده شخصی یا تجاری دسترسی ندارند و همین امر باعث می شود که آنها پاسخ دهند. این جایی است که RAG وارد می شود. RAG از مدل های جاسازی شده و پایگاه داده های بردار استفاده می کند تا داده های خود را به گونه ای ذخیره کند که بتواند از آن به عنوان زمینه برای LLM استفاده شود. این دوره به شما نشان می دهد که قطعات مختلف یک برنامه RAG ، نحوه استفاده از آنها و نحوه ساخت برنامه RAG خود از ابتدا در پایتون چیست. این دوره همچنین از مدل های github برای تقویت یادگیری خود استفاده می کند.

 

این دوره با تمرکز بر سیستم نوآورانه LlamaIndex، به اصول و کاربردهای نسل افزوده بازیابی (RAG) اشاره می‌کند. کاوش کنید که چگونه RAG مدل‌های یادگیری ماشین را با یکپارچه‌سازی منابع دانش خارجی برای خروجی‌های آگاهانه‌تر و دقیق‌تر بهبود می‌بخشد. مربی هارپریت ساهوتا معماری سیستم های بازیابی، مکانیک نمایه سازی مجموعه داده های وسیع و ادغام LlamaIndex با مدل های هوش مصنوعی را پوشش می دهد.

درک زیربنای نظری RAG، مهارت های عملی در ساخت و استقرار LlamaIndex، و بررسی تحلیل انتقادی برنامه های RAG در صنایع مختلف را به دست آورید. موضوعات از مبانی بازیابی داده ها و نمایه سازی تا تکنیک های پیشرفته در تقویت مدل های تولیدی با داده های خارجی متغیر است. در پایان دوره، شما برای طراحی، پیاده‌سازی و ارزیابی سیستم‌های RAG و قرار دادن آن‌ها در لبه برتر اجرای فناوری هوش مصنوعی آماده خواهید شد.

 آیا شما یک مهندس ، معمار راه حل یا توسعه دهنده نرم افزار هستید که وظیفه ساخت برنامه های سازمانی را دارید؟ وقت آن است که با جدیدترین ابزارها و تکنیک های هوش مصنوعی سرعت بگیریم-در این حالت ، نسل بازیابی شده با اوج (RAG). در این دوره ، که توسط آزمایشگاه های پیشرو در زمینه فناوری AI طراحی شده است ، به مربی گای ارنست بپیوندید ، زیرا او مفاهیم بنیادی و پیشرفته مورد نیاز برای استفاده از پارچه را برای مدل های بزرگ زبان ، از جمله رمزگذاری متن با استفاده از بردارهای تعبیه شده ، تکه های مستند با استراتژی های غنی سازی ، بهبود بازیابی اسناد و موارد دیگر ، بیان می کند. در پایان این دوره ، شما به مهارت های لازم برای استفاده از قدرت Rag مجهز خواهید شد.

 همانطور که برنامه های مبتنی بر LLM گسترش می یابد ، بسیاری از آنها به عنوان روکش های نازک در اطراف مدل های قوی تر مانند GPT عمل می کنند. در این دوره ، مربی لورنس مورونی اصول اولیه ساخت برنامه LLM خود را نشان می دهد و کنترل نحوه عملکرد آن از انتهای آن را نشان می دهد. در مورد برخی از موارد اصلی استفاده LLM در توسعه برنامه ، مقدمه ای کسب کنید. دانش اساسی Python ، Node.js و LLMS لازم است. در پایان این دوره ، شما آماده خواهید بود که یک اکوسیستم OPS ایجاد کنید که عملکرد اصلی آن مبتنی بر LLM است.

 پلت فرم Cohere API و ابزارهای قدرتمند آن را برای تنظیم دقیق مدل های هوش مصنوعی با تکنیک های تولید (RAG) بازیابی (RAG) کاوش کنید. با یک مرور کلی از رویکرد منحصر به فرد ابر-آگنوستیک Cohere با مدل های انتشار سریع خود با محوریت نیازهای تجاری شروع می شود. یادگیری و بهینه سازی مدل های AI که در بسیاری از محیط های ابری قابل استفاده هستند. ابزارهای توسعه دهنده Cohere را کاوش کرده و با سفارشی سازی مدل آزمایش کنید و ابزارهایی را برای ساخت برنامه های کاربردی AI محور کشف کنید.

 امروز با دو مورد از بحث و گفتگو در زمینه فناوری امروز سرعت بگیرید: پردازش زبان طبیعی (NLP) و مدل های زبان بزرگ (LLMS). در این دوره ، که به طور منحصر به فرد برای متخصصان غیر فنی و غیر برنامه نویسی طراحی شده است ، مربی Gwendolyn Stripling یک مرور کلی از نحوه پردازش رایانه ها و درک زبان انسانی ارائه می دهد. برنامه های کاربردی در دنیای واقعی NLP و LLMS را در صنایع مختلف ، از Chatbots و دستیاران مجازی گرفته تا تجزیه و تحلیل احساسات و تولید محتوا ، کاوش کنید. در طول راه ، ضمن ایجاد دیدگاه مهم از مزایا ، هزینه ها و چالش های آنها ، برخی از تأثیرات بالقوه این فناوری های قدرتمند را کشف کنید.

 

در این دوره جامع ، Sinan Ozdemir متخصص AI و LLM دانش و مهارت های خود را برای ارزیابی عملکرد LLM به اشتراک می گذارد. مقدمه مفصلی در مورد فرآیند ارزیابی LLMS ، Multimodal AI و برنامه های کاربردی AI مانند عوامل و RAG دریافت کنید. بیاموزید که چگونه این ابزارهای هوش مصنوعی قدرتمند و غالباً ناخوشایند را ارزیابی و ارزیابی کنید تا بتوانید اطمینان حاصل کنید که آنها نیازهای دنیای واقعی شما را برآورده می کنند. این دوره شما را برای ارزیابی و بهینه سازی LLM ها آماده می کند تا بتوانید برنامه های برش AI را تولید کنید.

این دوره توسط پیرسون ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

 در این دوره ، Axel Sirota نسل بازیابی-آگوس (RAG) را به عنوان یک روش قدرتمند برای تقویت قابلیت های مدل های بزرگ زبان (LLMS) معرفی می کند. مفاهیم بنیادی و کاربردهای عملی RAG را بیاموزید ، با تمرکز بر ایجاد چت بابات و سیستم های پشتیبانی تصمیم گیری در حوزه های مختلف. با استفاده از مجموعه داده MIMIC-III برای ایجاد یک چت بابات مراقبت های بهداشتی که می تواند به سؤالات پاسخ دهد یا به عنوان نمونه تشخیص را پیشنهاد کند ، در ساخت سیستم های RAG با Tensorflow ، Keras و Huggingface تجربه کنید. در پایان دوره ، شما به استقرار راه حل های RAG که یکپارچه سازی مکانیسم های بازیابی قوی با مدل های تولیدی ، در زمینه هایی مانند مراقبت های بهداشتی ، حقوقی و خدمات به مشتری قابل اجرا است ، مجهز خواهید شد.

 آماده‌اید تا با جدیدترین و پیشرفته‌ترین گرایش‌ها در ارکستراسیون هوش مصنوعی سرعت بگیرید؟ در این دوره، مربی جانانی راوی یک نمای کلی از نحوه ارزیابی موثر و ادغام بازخورد کاربر در مدل‌های هوش مصنوعی ارائه می‌دهد. جانانی با تمرکز بر مدل‌های سنتی و مدل‌های زبان بزرگ (LLM)، مفاهیم اساسی مانند تکنیک‌های اعتبارسنجی، معیارهای عملکرد، مکانیسم‌های بازخورد کاربر و موارد دیگر را معرفی می‌کند. در طول مسیر، تجربه عملی با اعتبارسنجی مدل‌ها از طریق اعتبارسنجی متقاطع و k-fold اعتبارسنجی، و همچنین کاربردهای عملی معیارهای عملکرد مانند دقت، دقت، یادآوری، استفاده از یادگیری تقویتی برای بازخورد انسانی، و امتیازات BLEU، ROUGE و METEOR برای ارزیابی LLM به دست آورید.

 در مورد هوش مصنوعی و کاربردهای آن شنیده اید. شما احتمالاً از هوش مصنوعی استفاده کرده اید - شاید بدون اینکه متوجه شوید. اکنون، در این دوره عملی با ساختن هوش مصنوعی خود از ابتدا به هوش مصنوعی شیرجه بزنید. مربی Ronnie Sheer ابتدا شما را از طریق یک پروژه کوتاه راهنمایی می کند: ایجاد یک مدل تکمیل متن مشابه عملکرد تکمیل خودکار در تلفن هوشمند. سپس به شما نشان می دهد که چگونه می توانید مدلی بسازید که نظرات نفرت انگیز در رسانه های اجتماعی را فیلتر کند. به علاوه، رونی نشان می دهد که چگونه می توانید از اشعار آهنگ های مورد علاقه خود برای تولید اشعار جدید و از نظر موضوعی مشابه استفاده کنید.