Dieser Kurs behandelt Generative AI Engineering auf der Plattform Azure Databricks nutzt Apache Spark zur Erforschung, Optimierung, Evaluierung und Integration fortgeschrittener Sprachmodelle. Die Teilnehmer lernen, Techniken wie Retrieval-Augmented Generation (RAG) und Multi-Stage-Reasoning zu implementieren, Sprachmodelle für spezifische Aufgaben zu optimieren und ihre Leistung zu bewerten. Der Kurs betont außerdem die Prinzipien verantwortungsvoller KI und die Verwaltung von Modellen in der Produktion durch LLMOps (Large Language Model Operations) in Azure Datenbausteine.
Der Kurs wird empfohlen für:
- Datenwissenschaftler, die Anwendungen der generativen KI entwickeln und bewerten.
- KI-Ingenieure, die Sprachmodelle in großem Maßstab implementieren in Azure Datenbausteine.
- Fachleute für maschinelles Lernen und künstliche Intelligenz, die mit den grundlegenden Konzepten der KI und der Plattform vertraut sind Azure Datenbausteine.
Nach Abschluss des Kurses wissen Sie, wie Sie:
- Entdecken und verwenden Sie Large Language Models (LLMs) in Azure Datenbausteine.
- Implementieren Sie Retrieval-Augmented Generation (RAG)-Techniken für genauere und kontextbezogenere Ergebnisse.
- Sie erstellen mehrstufige Argumentationssysteme, um komplexe Probleme zu lösen.
- Sie optimieren linguistische Modelle und spezialisieren sie für bestimmte Aufgaben.
- Bewerten Sie die Leistung von LLMs mithilfe von LLM-als-Beurteiler-Metriken, -Techniken und -Methoden.
Teilnehmer sollten über Folgendes verfügen:
- Grundlegende Kenntnisse in künstlicher Intelligenz und maschinellem Lernen.
- Vertrautheit mit den Grundkonzepten von Azure Datenbausteine.
- Einführung in Large Language Models (LLMs) in Azure Databricks
- Grundlegende Begriffe zu LLMs und ihren Anwendungen (Textzusammenfassung, Stimmungsanalyse, Übersetzung usw.)
- Erstellen und Verwenden interaktiver Berichte mit LLMs
- Implementierung der Retrieval-Augmented Generation (RAG)
- Integration von Suchmaschinen mit generativen Modellen
- Erstellen präziserer und kontextrelevanterer Ergebnisse
- Implementierung mehrstufiger Schlussfolgerungen
- Komplexe Probleme durch sequenzielle Schritte angehen
- Integration von Teilergebnissen in einen vollständigen Denkprozess
- Feinabstimmung für große Sprachmodelle
- Anpassung von LLMs an spezifische Aufgaben
- Kosten senken und Modellrelevanz verbessern
- Evaluierung linguistischer Modelle
- Metriken und Methoden zur Bewertung von LLMs
- Herausforderungen und bewährte Verfahren bei der Evaluierung
- Automatisierte Techniken, einschließlich LLM-as-a-Judge
- Verantwortungsvolle KI für Sprachmodelle
- Grundsätze einer verantwortungsvollen Umsetzung
- Ethische Überlegungen und Risikominderung
- Sicherheitstools für LLMs nutzen
- Implementierung von LLMOps in Azure Databricks
- Grundlagen von LLMOps
- Überwachung, Verwaltung und Wartung von LLMs in der Produktion
- Microsoft AI-3026: Entwickeln Sie KI-Agenten auf Azure
- Microsoft DP-3011: Implementierung einer Data Analytics-Lösung mit Azure Databricks
- Microsoft DP-500: Entwerfen und Implementieren von Analyselösungen im Unternehmensmaßstab mit Microsoft Azure und Microsoft Power BI
Derzeit gibt es keine Zertifizierungsprogramme.
