Kurzusleírás

Bevezetés a nyílt forráskódú LLM-ekbe

  • Az DeepSeek, a Mistral, a LLaMA és más nyílt forráskódú modellek áttekintése
  • Az LLM-ek működése: Transzformátorok, önfigyelem és képzés
  • A nyílt forráskódú LLM-ek és a védett modellek összehasonlítása

Fine-Tuning és az LLM-ek testreszabása

  • Adatok előkészítése a finomhangoláshoz
  • LLM-ek képzése és optimalizálása a Hugging Face segítségével
  • A modell teljesítményének és a torzítás csökkentésének értékelése

Épület AI Agents LLM-ekkel

  • Bevezetés a LangChain-be az AI-ügynökfejlesztéshez
  • Ügynök alapú munkafolyamatok tervezése LLM-ekkel
  • Memória, visszakereséssel bővített generálás (RAG) és műveletek végrehajtása

LLM-alapú telepítés AI Agents

  • AI-ügynökök konténerezése Docker
  • LLM-ek integrálása vállalati alkalmazásokba
  • AI-ügynökök méretezése felhőszolgáltatásokkal és API-kkal

Biztonság és megfelelőség az Enterprise AI-ben

  • Etikai megfontolások és szabályozási megfelelés
  • Kockázatok csökkentése az AI-vezérelt automatizálásban
  • Az AI ügynök viselkedésének figyelése és auditálása

Esettanulmányok és valós alkalmazások

  • LLM-alapú virtuális asszisztensek
  • AI-vezérelt dokumentumautomatizálás
  • Egyedi AI-ügynökök a vállalati elemzésekhez

LLM-alapú ügynökök optimalizálása és karbantartása

  • Folyamatos modellfejlesztés és frissítés
  • Monitoring és visszacsatolási hurkok telepítése
  • Költségoptimalizálási és teljesítményhangolási stratégiák

Összegzés és a következő lépések

Követelmények

  • Az AI és a gépi tanulás alapos ismerete
  • Python programozásban szerzett tapasztalat
  • A nagy nyelvi modellek (LLM) és a természetes nyelvi feldolgozás (NLP) ismerete

Közönség

  • AI mérnökök
  • Vállalati szoftverfejlesztők
  • Business vezetők
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák