Ez a kurzus a platformon futó generatív mesterséges intelligencia mérnöki tudományokat tárgyalja. Azure Databricks, Apache Spark használatával fejlett nyelvi modellek feltárása, finomhangolása, kiértékelése és integrálása. A résztvevők megtanulják olyan technikák alkalmazását, mint a Retrieval-Augmented Generation (RAG) és a többlépcsős érvelés, a nyelvi modellek hangolását adott feladatokhoz, és teljesítményük értékelését. A kurzus hangsúlyozza a felelős mesterséges intelligencia alapelveit és a modellek éles környezetben történő kezelését LLMOps (Large Language Model Operations) segítségével. Azure Databricks.
A tanfolyam ajánlott:
- Adattudósok, akik generatív mesterséges intelligencia alkalmazásokat fejlesztenek és értékelnek.
- MI-mérnökök, akik nagy léptékben valósítják meg a nyelvi modelleket Azure Databricks.
- Gépi tanulással és mesterséges intelligenciával foglalkozó szakemberek, akik ismerik az alapvető MI-fogalmakat és a platformot Azure Databricks.
A kurzus elvégzése után tudni fogod, hogyan:
- Nagy nyelvi modellek (LLM-ek) felfedezése és használata Azure Databricks.
- Alkalmazzon visszakereséssel kiterjesztett generálási (RAG) technikákat a pontosabb és kontextuálisabb eredmények érdekében.
- Többlépcsős érvelési rendszereket építesz összetett problémák megoldására.
- Finomhangolod a nyelvi modelleket, és specializálod őket adott feladatokhoz.
- Értékelje az LLM-ek teljesítményét LLM-ként-bíróként mérőszámok, technikák és módszerek segítségével.
A résztvevőknek rendelkezniük kell:
- A mesterséges intelligencia és a gépi tanulás alapvető ismeretei.
- Ismerkedés az alapvető fogalmakkal Azure Databricks.
- Bevezetés a nagy nyelvi modellekbe (LLM-ek) Azure Adattárak
- Az LLM-ek alapfogalmai és alkalmazásaik (szövegösszefoglaló, érzelemelemzés, fordítás stb.)
- Interaktív jelentések létrehozása és használata LLM-ekkel
- A visszakereséssel kiterjesztett generálás (RAG) megvalósítása
- Keresőmotorok integrálása generatív modellekkel
- Pontosabb és kontextusnak megfelelőbb kimenetek létrehozása
- Többlépcsős érvelés megvalósítása
- Komplex problémák megközelítése egymást követő lépéseken keresztül
- Részleges eredmények integrálása egy teljes érvelési folyamatba
- Finomhangolás nagy nyelvi modellekhez
- LLM-ek adaptálása konkrét feladatokhoz
- Költségek csökkentése és a modell relevanciájának javítása
- Nyelvi modellek értékelése
- Az LLM-ek értékelésének mérőszámai és módszerei
- Kihívások és bevált gyakorlatok az értékelésben
- Automatizált technikák, beleértve az LLM-t bíróként
- Felelős mesterséges intelligencia a nyelvi modellekért
- A felelős végrehajtás alapelvei
- Etikai megfontolások és kockázatcsökkentés
- Biztonsági eszközök használata LLM-ek számára
- LLMOps megvalósítása Azure Adattárak
- Az LLMOps alapjai
- LLM-ek monitorozása, kezelése és karbantartása éles környezetben
- Microsoft AI-3026: MI-ügynökök fejlesztése Azure
- Microsoft DP-3011: Adatanalitikai megoldás megvalósítása Azure Adattárak
- Microsoft DP-500: Vállalati szintű analitikai megoldások tervezése és megvalósítása Microsoft Azure és a Microsoft Power BI
Jelenleg nincsenek tanúsítási programok.
