Kursüberblick
Unternehmen müssen täglich sprachbezogene Aufgaben ausführen, wie z. B. Textklassifizierung, Inhaltserstellung, Stimmungsanalyse und Kunden-Chat-Support, und sie versuchen, dies auf möglichst kostengünstige Weise zu tun. Grosse Sprachmodelle können diese Aufgaben automatisieren, und effiziente LLM-Anpassungstechniken können die Fähigkeiten eines Modells erhöhen und die Grösse der Modelle reduzieren, die für den Einsatz in Unternehmensanwendungen erforderlich sind. In diesem Kurs gehen Sie über die prompte Entwicklung von LLMs hinaus und lernen eine Reihe von Techniken kennen, mit denen Sie vortrainierte LLMs effizient an Ihre spezifischen Anwendungsfälle anpassen können - ohne den rechenintensiven und teuren Prozess des Vortrainings Ihres eigenen Modells oder der Feinabstimmung der internen Gewichte eines Modells. Mithilfe des NVIDIA NeMo™-Dienstes lernen Sie verschiedene parametereffiziente Feinabstimmungsmethoden kennen, um das LLM-Verhalten für Ihr Unternehmen anzupassen.
Bitte beachten Sie, dass eine einmal bestätigte Buchung nicht mehr rückerstattet werden kann. Das bedeutet, dass Sie Ihren Platz für eine Veranstaltung nach der Bestätigung nicht mehr stornieren können und keine Rückerstattung erfolgt, unabhängig von der Teilnahme an der Veranstaltung.
Voraussetzungen
- Berufserfahrung mit der Programmiersprache Python.
- Vertrautheit mit grundlegenden Themen des Deep Learning wie Modellarchitektur, Training und Inferenz.
- Vertrautheit mit einem modernen Python-basierten Deep Learning Framework (PyTorch bevorzugt).
- Vertrautheit mit der Arbeit mit vorgefertigten LLMs.
Kursziele
Wenn Sie diesen Kurs abgeschlossen haben, werden Sie in der Lage sein:
- Anwendung parametereffizienter Feinabstimmungstechniken mit begrenzten Daten zur Bewältigung spezifischer Aufgaben für Ihre Anwendungsfälle
- Verwendung von LLMs zur Erstellung synthetischer Daten im Dienste der Feinabstimmung kleinerer LLMs zur Erfüllung einer gewünschten Aufgabe
- Verringern Sie die Anforderungen an die Modellgrösse durch einen positiven Kreislauf aus der Kombination von synthetischer Datengenerierung und Modellanpassung.
- Erstellen Sie eine generative Anwendung, die aus mehreren benutzerdefinierten Modellen besteht, für die Sie während des Workshops Daten generieren und erstellen.
Englisch
Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.