تحسين دقة تطبيقات LLM
مرحبًا بك في دورة "تحسين دقة تطبيقات LLM"! يوفر الدورة نهجًا منهجيًا لتعزيز دقة وموثوقية تطبيقات LLM الخاصة بك.
ملخص بالطبع
يكافح العديد من المطورين مع نتائج غير متناسقة في تطبيقات LLM. ؟ تم تصميم هذه الدورة لمعالجة هذه التحديات من خلال تقديم خبرة عملية في تحسين الدقة من خلال التقييم والهندسة الفورية والتأمل الذاتي والتقنيات الدقيقة.
ماذا ستفعل:
- ؟ تطوير وكيل SQL : قم بإنشاء وكيل Text to SQL ومحاكاة المواقف التي يهلوس فيها لبدء عملية التقييم.
- إطار التقييم : إنشاء إطار عمل قوي لقياس الأداء بشكل منهجي ، بما في ذلك معايير التقييمات الجيدة وأفضل الممارسات وتطوير درجة التقييم.
- تعليمات صفق الدقة : تعلم كيف تساعد تعليمات صقل LLMs على اتباع التعليمات بشكل أكثر دقة وكيف تضمن صقل الذاكرة حقائق لتقليل الهلوسة.
- صقل الأداء المفعم بالأداء (PEFT) : اكتشاف تقنيات متقدمة مثل التكيف المنخفض (LORA) ومزيج من خبراء الذاكرة (MOME) لتقليل وقت التدريب مع تحسين أداء النموذج.
- التكرار التكراري : انتقل من خلال عملية تكرارية لتوليد بيانات التدريب ، والضبط ، وتطبيق نصائح عملية لزيادة دقة النموذج.
؟ النقاط الرئيسية
- التحسين المنهجي : تعلم خطوات التطوير ، من التقييم ، المطالبة ، الانعكاس الذاتي ، والضبط ، لتحسين موثوقية النموذج ودقتها.
- ؟ ضبط الذاكرة : عزز أداء النموذج الخاص بك عن طريق تضمين الحقائق لتقليل الهلوسة.
- ؟ نماذج LLAMA : استخدم نموذج LLAMA 3-8B لإنشاء تطبيق LLM الذي يحول النص إلى SQL مع مخطط مخصص.
؟ ؟ حول المدربين
- شارون تشو : المؤسس المشارك والرئيس التنفيذي لشركة Lamini ، تجلب شارون خبرتها في تطوير LLM وضبطها.
- Amit Sangani : مدير هندسة الشركاء في Meta ، يشارك Amit رؤى قيمة حول تطبيقات LLM الموثوقة للهندسة.
؟ للتسجيل في الدورة أو لمزيد من المعلومات ، تفضل بزيارة deeplearning.ai.
