การปรับปรุงความแม่นยำของแอปพลิเคชัน LLM
ยินดีต้อนรับสู่หลักสูตร "การปรับปรุงความแม่นยำของแอปพลิเคชัน LLM"! หลักสูตรนี้มีวิธีการที่เป็นระบบเพื่อเพิ่มความแม่นยำและความน่าเชื่อถือของแอปพลิเคชัน LLM ของคุณ
สรุปหลักสูตร
นักพัฒนาหลายคนต่อสู้กับผลลัพธ์ที่ไม่สอดคล้องกันในแอปพลิเคชัน LLM - หลักสูตรนี้ได้รับการออกแบบมาเพื่อจัดการกับความท้าทายเหล่านี้โดยนำเสนอประสบการณ์จริงในการปรับปรุงความแม่นยำผ่านการประเมินผลวิศวกรรมที่รวดเร็วการสะท้อนตนเองและเทคนิคการปรับแต่ง
คุณจะทำอย่างไร:
- - การพัฒนาเอเจนต์ SQL : สร้างตัวแทนข้อความถึง SQL และจำลองสถานการณ์ที่เป็นภาพหลอนเพื่อเริ่มกระบวนการประเมินผล
- กรอบการประเมินผล : สร้างกรอบการทำงานที่แข็งแกร่งเพื่อวัดประสิทธิภาพอย่างเป็นระบบรวมถึงเกณฑ์สำหรับการประเมินที่ดีแนวทางปฏิบัติที่ดีที่สุดและการพัฒนาคะแนนการประเมิน
- การเรียนการสอนการปรับแต่ง : เรียนรู้ว่าการปรับแต่งการปรับแต่งช่วยให้ LLMS ปฏิบัติตามคำแนะนำได้อย่างแม่นยำยิ่งขึ้นและวิธีการปรับแต่งความจำเพื่อลดความจำเพื่อลดภาพหลอน
- การปรับจูนประสิทธิภาพประสิทธิภาพ (PEFT) : ค้นพบเทคนิคขั้นสูงเช่นการปรับตัวระดับต่ำ (LORA) และการผสมผสานของผู้เชี่ยวชาญด้านหน่วยความจำ (MOME) เพื่อลดเวลาการฝึกอบรมในขณะที่ปรับปรุงประสิทธิภาพของโมเดล
- การปรับจูนซ้ำ ๆ : ผ่านกระบวนการวนซ้ำของการสร้างข้อมูลการฝึกอบรมการปรับแต่งและการใช้เคล็ดลับการปฏิบัติเพื่อเพิ่มความแม่นยำของแบบจำลอง
- ประเด็นสำคัญ
- การปรับปรุงอย่างเป็นระบบ : เรียนรู้ขั้นตอนการพัฒนาจากการประเมินผลการกระตุ้นการสะท้อนตนเองและการปรับแต่งเพื่อปรับปรุงความน่าเชื่อถือและความแม่นยำของโมเดลของคุณ
- - การปรับแต่งหน่วยความจำ : ปรับปรุงประสิทธิภาพของโมเดลของคุณโดยการฝังข้อเท็จจริงเพื่อลดภาพหลอน
- - รุ่น LLAMA : ใช้โมเดล LLAMA 3-8B เพื่อสร้างแอปพลิเคชัน LLM ที่แปลงข้อความเป็น SQL ด้วยสคีมาที่กำหนดเอง
?? เกี่ยวกับอาจารย์ผู้สอน
- ? Sharon Zhou : ผู้ร่วมก่อตั้งและซีอีโอของ Lamini, Sharon นำความเชี่ยวชาญของเธอในการพัฒนา LLM และการปรับแต่ง
- ? Amit Sangani : ผู้อำนวยการอาวุโสฝ่ายวิศวกรรมพันธมิตรที่ Meta, Amit แบ่งปันข้อมูลเชิงลึกที่มีค่าเกี่ยวกับการใช้งาน LLM ที่เชื่อถือได้ทางวิศวกรรม
- หากต้องการลงทะเบียนในหลักสูตรหรือข้อมูลเพิ่มเติมโปรดเยี่ยมชม deeplearning.ai
