Verbesserung der Genauigkeit von LLM -Anwendungen
Willkommen im Kurs "Verbesserung der Genauigkeit von LLM -Anwendungen"! Der Kurs bietet einen systematischen Ansatz zur Verbesserung der Genauigkeit und Zuverlässigkeit Ihrer LLM -Anwendungen.
Kursübersicht
Viele Entwickler haben mit inkonsistenten Ergebnissen in LLM -Anwendungen zu kämpfen. ? Dieser Kurs soll diese Herausforderungen bewältigen, indem sie praktische Erfahrungen bei der Verbesserung der Genauigkeit durch Bewertung, sofortiger Engineering, Selbstreflexion und Feinabstimmungstechniken bietet.
Was Sie tun werden:
- ? SQL-Agentenentwicklung : Erstellen Sie einen Text-zu-SQL-Agenten und simulieren Sie Situationen, in denen es halluziniert, um den Bewertungsprozess zu beginnen.
- Bewertungsrahmen : Erstellen Sie ein robustes Framework, um die Leistung systematisch zu messen, einschließlich Kriterien für gute Bewertungen, Best Practices und die Entwicklung eines Bewertungswerts.
- Befürworter Feinabstimmung : Erfahren Sie, wie die Befehlsfeineinstellung LLMs hilft, den Anweisungen genauer zu befolgen und wie die Feinabstimmung von Speicher Fakten einbettet, um Halluzinationen zu reduzieren.
- Performance-effiziente Feinabstimmung (PEFT) : Entdecken Sie fortschrittliche Techniken wie Anpassung mit niedriger Rang (LORA) und Mischung aus Gedächtnisexperten (MOME), um die Trainingszeit zu verkürzen und gleichzeitig die Modellleistung zu verbessern.
- Iterative Feinabstimmung : Durchlaufen Sie einen iterativen Prozess der Generierung von Trainingsdaten, der Feinabstimmung und der Anwendung praktischer Tipps zur Erhöhung der Modellgenauigkeit.
? Schlüsselpunkte
- Systematische Verbesserung : Lernen Sie Entwicklungsschritte aus Bewertung, Aufforderung, Selbstreflexion und Feinabstimmung, um die Zuverlässigkeit und Genauigkeit Ihres Modells zu verbessern.
- ? Speicherabstimmung : Verbessern Sie die Leistung Ihres Modells, indem Sie Fakten einbetten, um Halluzinationen zu reduzieren.
- ? LAMA-Modelle : Verwenden Sie das LLAMA 3-8B-Modell, um eine LLM-Anwendung zu erstellen, die Text in SQL mit einem benutzerdefinierten Schema umwandelt.
? ? Über die Ausbilder
- Sharon Zhou : Mitbegründer und CEO von Lamini, Sharon, bringt ihr Know-how in Bezug auf LLM-Entwicklung und Feinabstimmung ein.
- ? Amit Sangani : Senior Director of Partner Engineering bei Meta, Amit, teilt wertvolle Erkenntnisse in die technischen zuverlässigen LLM -Anwendungen.
? Um sich für den Kurs oder um weitere Informationen anzumelden, besuchen Sie Deeplearning.ai.
