Ten kurs obejmuje inżynierię generatywnej sztucznej inteligencji na platformie Azure Databricks, wykorzystując Apache Spark do eksploracji, dostrajania, oceny i integracji zaawansowanych modeli językowych. Uczestnicy nauczą się wdrażać techniki takie jak generowanie rozszerzone o wyszukiwanie (RAG) i wnioskowanie wieloetapowe, dostrajać modele językowe do konkretnych zadań i oceniać ich wydajność. Kurs kładzie również nacisk na zasady odpowiedzialnej sztucznej inteligencji (RIA) i zarządzanie modelami w środowisku produkcyjnym za pomocą LLMOps (Large Language Model Operations). Azure Klocki danych.
Kurs polecany jest dla:
- Naukowcy zajmujący się danymi, którzy opracowują i oceniają aplikacje generatywnej sztucznej inteligencji.
- Inżynierowie AI, którzy wdrażają modele językowe na dużą skalę Azure Klocki danych.
- Specjaliści zajmujący się uczeniem maszynowym i sztuczną inteligencją, znający podstawowe koncepcje sztucznej inteligencji i platformę Azure Klocki danych.
Po ukończeniu kursu będziesz wiedział jak:
- Poznaj i wykorzystaj duże modele językowe (LLM) w Azure Klocki danych.
- Wdrażaj techniki generacji rozszerzonej o wyszukiwanie (RAG), aby uzyskać dokładniejsze i bardziej kontekstowe wyniki.
- Budujesz wieloetapowe systemy rozumowania w celu rozwiązywania złożonych problemów.
- Udoskonalasz modele lingwistyczne i specjalizujesz je w określonych zadaniach.
- Oceń skuteczność programów LLM, wykorzystując wskaźniki, techniki i metody stosowane przez LLM-as-a-judge.
Uczestnicy powinni mieć:
- Podstawowa wiedza na temat sztucznej inteligencji i uczenia maszynowego.
- Znajomość podstawowych pojęć Azure Klocki danych.
- Wprowadzenie do dużych modeli językowych (LLM) w Azure Pamięci danych
- Podstawowe pojęcia dotyczące studiów prawniczych (LLM) i ich zastosowań (podsumowanie tekstu, analiza sentymentów, tłumaczenie itp.)
- Tworzenie i używanie interaktywnych raportów z LLM
- Implementacja generacji rozszerzonej o wyszukiwanie (RAG)
- Integracja wyszukiwarek z modelami generatywnymi
- Tworzenie dokładniejszych i bardziej istotnych kontekstowo wyników
- Wdrażanie rozumowania wieloetapowego
- Podchodzenie do złożonych problemów poprzez kolejne kroki
- Integrowanie częściowych wyników w kompletny proces wnioskowania
- Dostrajanie dla dużych modeli językowych
- Dostosowywanie LLM do konkretnych zadań
- Obniżanie kosztów i zwiększanie trafności modelu
- Ocena modeli lingwistycznych
- Wskaźniki i metody oceny LLM
- Wyzwania i dobre praktyki w ewaluacji
- Techniki automatyczne, w tym LLM jako sędzia
- Odpowiedzialna sztuczna inteligencja za modele językowe
- Zasady odpowiedzialnego wdrażania
- Rozważania etyczne i redukcja ryzyka
- Korzystanie z narzędzi bezpieczeństwa dla LLM
- Wdrażanie LLMOps w Azure Pamięci danych
- Podstawy LLMOps
- Monitorowanie, zarządzanie i utrzymanie LLM w produkcji
- Microsoft AI-3026: Tworzenie agentów AI na Azure
- Microsoft DP-3011: Wdrażanie rozwiązania analityki danych z Azure Pamięci danych
- Microsoft DP-500: Projektowanie i wdrażanie rozwiązań analitycznych na skalę przedsiębiorstwa przy użyciu Microsoft Azure oraz Microsoft Power BI
W chwili obecnej nie ma żadnych programów certyfikacyjnych.
