Schița de curs

Introducere în LLM-uri și inteligența artificială generativă

  • Explorarea tehnicilor și modelelor
  • Discutarea aplicațiilor și a cazurilor de utilizare
  • Identificarea provocărilor și a limitărilor

Utilizarea LLM-urilor pentru sarcini NLU

  • Analiza sentimentelor
  • Recunoașterea entităților numite
  • Extragerea relațiilor
  • Analiza semantică

Utilizarea LLM-urilor pentru sarcini NLI

  • Detectarea de implicare
  • Detectarea contradicțiilor
  • Detectarea parafrazei

Utilizarea LLM-urilor pentru grafurile de cunoștințe

  • Extragerea faptelor și a relațiilor din text
  • Deducerea faptelor noi sau lipsă
  • Utilizarea grafurilor de cunoștințe pentru sarcini în aval

Utilizarea LLM-urilor pentru raționamentul de bun simț

  • Generarea de explicații, ipoteze și scenarii plauzibile
  • Utilizarea bazelor de cunoștințe de bun simț și a seturilor de date
  • Evaluarea raționamentului de bun simț

Utilizarea LLM-urilor pentru generarea de dialoguri

  • Generarea de dialoguri cu agenți de conversație, chatbots și asistenți virtuali
  • Gestionarea dialogurilor
  • Utilizarea seturilor de date și a măsurătorilor de dialog

Utilizarea LLM-urilor pentru generarea multimodală

  • Generarea de imagini din text
  • Generarea de text din imagini
  • Generarea de videoclipuri din text sau imagini
  • Generarea de sunet din text
  • Generarea de text din audio
  • Generarea de modele 3D din text sau imagini

Utilizarea LLM-urilor pentru meta-învățare

  • Adaptarea LLM-urilor la noi domenii, sarcini sau limbaje
  • Învățarea pe baza unor exemple cu puține sau zero fotografii
  • Utilizarea seturilor de date și a cadrelor de metaînvățare și de învățare prin transfer

Utilizarea LLM-urilor pentru învățarea adversă

  • Apărarea LLM-urilor împotriva atacurilor rău intenționate
  • Detectarea și atenuarea prejudecăților și a erorilor din LLM-uri
  • Utilizarea seturilor de date și a metodelor de învățare adversă și de robustețe

Evaluarea LLM-urilor și a inteligenței artificiale generative

  • Evaluarea calității și diversității conținutului
  • Utilizarea unor metrici precum scorul de inițiere, distanța de inițiere Fréchet și scorul BLEU
  • Utilizarea metodelor de evaluare umană, cum ar fi crowdsourcing și sondaje
  • Utilizarea metodelor de evaluare adversă, cum ar fi testele Turing și discriminatorii

Aplicarea principiilor etice pentru LLM-uri și AI generativă

  • Asigurarea corectitudinii și a responsabilității
  • Evitarea utilizării necorespunzătoare și a abuzurilor
  • Respectarea drepturilor și a vieții private a creatorilor de conținut și a consumatorilor
  • Promovarea creativității și a colaborării dintre oameni și IA

Rezumat și etape următoare

Cerințe

  • Înțelegerea conceptelor de bază și a terminologiei IA
  • Experiență cu programarea Python și analiza datelor
  • Familiaritate cu cadrele de învățare profundă, cum ar fi TensorFlow sau PyTorch
  • O înțelegere a noțiunilor de bază ale LLM-urilor și a aplicațiilor acestora

Audiență

  • Oameni de știință în domeniul datelor
  • Dezvoltatorii de inteligență artificială
  • Pasionații de inteligență artificială
 21 ore

Numărul de participanți



Pret per participant

Mărturii (1)

Cursuri înrudite

Categorii înrudite