Този курс обхваща инженерство с генеративен изкуствен интелект на платформата Azure Databricks, използващи Apache Spark за изследване, фина настройка, оценка и интегриране на усъвършенствани езикови модели. Участниците ще се научат да прилагат техники като Retrieval-Augmented Generation (RAG) и многоетапно разсъждение, да настройват езикови модели за специфични задачи и да оценяват тяхната производителност. Курсът също така набляга на принципите на отговорния изкуствен интелект и управлението на модели в продукцията чрез LLMOps (Large Language Model Operations) в... Azure Датчици за данни.
Курсът се препоръчва за:
- Специалисти по данни, които разработват и оценяват приложения за генеративен изкуствен интелект.
- Инженери по изкуствен интелект, които внедряват езикови модели в голям мащаб в Azure Датчици за данни.
- Специалисти по машинно обучение и изкуствен интелект, запознати с основните концепции на изкуствения интелект и платформата Azure Датчици за данни.
След завършване на курса ще знаете как да:
- Разгледайте и използвайте модели с големи езици (LLM) в Azure Датчици за данни.
- Приложете техники за генериране на добавени данни (RAG) за по-точни и контекстуални резултати.
- Вие изграждате многоетапни системи за разсъждение, за да решавате сложни проблеми.
- Вие прецизирате езиковите модели и ги специализирате за специфични задачи.
- Оценете ефективността на LLM, използвайки LLM-as-a-judge показатели, техники и методи.
Участниците трябва да имат:
- Фундаментални познания за изкуствения интелект и машинното обучение.
- Запознаване с основните понятия на Azure Датчици за данни.
- Въведение в моделите с големи езици (LLM) в Azure Датчици за данни
- Основни понятия за LLM и техните приложения (обобщаване на текст, анализ на настроенията, превод и др.)
- Създаване и използване на интерактивни отчети с LLM
- Внедряване на генериране с добавено извличане (RAG)
- Интегриране на търсачки с генеративни модели
- Създаване на по-точни и контекстуално релевантни резултати
- Прилагане на многоетапно разсъждение
- Подхождане към сложни проблеми чрез последователни стъпки
- Интегриране на частични резултати в цялостен процес на разсъждение
- Фина настройка за модели с големи езици
- Адаптиране на LLM за специфични задачи
- Намаляване на разходите и подобряване на релевантността на модела
- Оценка на езикови модели
- Метрики и методи за оценка на LLM
- Предизвикателства и добри практики при оценяването
- Автоматизирани техники, включително LLM-като съдия
- Отговорен изкуствен интелект за езиковите модели
- Принципи на отговорно изпълнение
- Етични съображения и намаляване на риска
- Използване на инструменти за сигурност за LLM
- Внедряване на LLMOps в Azure Датчици за данни
- Основи на LLMOps
- Мониторинг, управление и поддържане на LLM в производствен режим
- Microsoft AI-3026: Разработване на AI агенти на Azure
- Microsoft DP-3011: Внедряване на решение за анализ на данни с Azure Датчици за данни
- Microsoft DP-500: Проектиране и внедряване на решения за анализ в корпоративен мащаб с помощта на Microsoft Azure намлява Microsoft Power BI
В момента няма програми за сертифициране.
