Czym jest duży model podstawowy i duży model językowy? Przesunięcie paradygmatu sztucznej inteligencji Budowa dużego modelu językowego Najpopularniejsze architektury oparte na transformerach dużego modelu językowego Wczesne eksperymenty Wprowadzenie do architektury transformera Trenowanie dużego modelu językowego i jego ocena Trenowanie dużego modelu językowego Ocena modelu Modele podstawowe kontra modele dostosowane do własnych potrzeb Jak można dostosować model do własnych potrzeb? Duże modele językowe w aplikacjach wspomaganych przez sztuczną inteligencję Sposoby, w jakie duże modele językowe zmieniły branżę tworzenia oprogramowania System copilot Wprowadzenie do frameworków koordynowania sztucznej inteligencji umożliwiających osadzanie dużych modeli językowych w aplikacjach Najważniejsze komponenty frameworków koordynowania sztucznej inteligencji LangChain Haystack Semantic Kernel Jak wybrać framework? Wybór dużego modelu językowego dla aplikacji Ogólne omówienie najbardziej obiecujących dużych modeli językowych dostępnych na rynku Modele własnościowe Modele otwartoźródłowe Nie tylko modele językowe Kryteria stosowane podczas wyboru właściwego dużego modelu językowego Prompt engineering Jasne instrukcje Podziel skomplikowane zadania na mniejsze Zapytaj o uzasadnienie Wygenerowanie wielu danych wyjściowych, a następnie użycie modelu do wybrania tych najlepszych Powtórzenie instrukcji na końcu Używanie ograniczników Techniki zaawansowane Technika few-shots Technika chain of thought ReAct Osadzanie dużych modeli językowych w aplikacjach Wprowadzenie do frameworka LangChain Rozpoczęcie pracy z frameworkiem LangChain Modele i prompty Połączenia danych Pamięć Łańcuch Agenty Praca z dużymi modelami językowymi poprzez platformę Hugging Face Hub Tworzenie tokena dostępu użytkownika Hugging Face Hub Przechowywanie kluczy tajnych użytkownika w pliku .env Rozpoczęcie pracy z otwartoźródłowymi dużymi modelami językowymi Tworzenie aplikacji konwersacyjnych Rozpoczęcie pracy z aplikacjami konwersacyjnymi Tworzenie zwykłego bota Dodawanie pamięci Dodawanie wiedzy nieparametrycznej Dodawanie narzędzi zewnętrznych Opracowanie frontendu za pomocą Streamlit Używanie dużych modeli językowych do tworzenia silników wyszukiwania i rekomendacji Wprowadzenie do systemu rekomendacji Istniejące systemy rekomendacji Algorytm K najbliższych sąsiadów Rozkład macierzy Sieci neuronowe Jak duże modele językowe zmieniają systemy rekomendacji? Implementowanie systemu rekomendacji opartego na dużym modelu językowym Wstępne przygotowanie danych Tworzenie chatbota rekomendacji w scenariuszu typu zimny start Tworzenie systemu opartego na treści Opracowanie frontendu za pomocą biblioteki Streamlit Używanie dużych modeli językowych w połączeniu z danymi strukturyzowanymi Czym są dane strukturyzowane? Rozpoczęcie pracy z relacyjnymi bazami danych Wprowadzenie do relacyjnych baz danych Ogólne omówienie bazy danych Chinook Jak za pomocą Pythona pracować z relacyjną bazą danych? Implementacja aplikacji DBCopilot z użyciem frameworka LangChain Agenty frameworka LangChain i agent SQL Prompt engineering Dodawanie kolejnych narzędzi Opracowanie frontendu za pomocą biblioteki Streamlit Praca z kodem źródłowym Wybór odpowiedniego dużego modelu językowego przeznaczonego do pracy z kodem źródłowym Analizowanie i generowanie kodu źródłowego Falcon LLM CodeLlama StarCoder Działanie w charakterze algorytmu Wykorzystanie API Code Interpreter Tworzenie wielomodalnych aplikacji wykorzystujących duże modele językowe Dlaczego wielomodalność? Tworzenie agenta wielomodalnego za pomocą frameworka LangChain Opcja 1. Użycie standardowego zbioru narzędzi dla Azure AI Services Rozpoczęcie pracy z AzureCognitiveServicesToolkit Opcja 2. Połączenie narzędzi w postać pojedynczego agenta Narzędzia YouTube i Whisper DALL-E i generowanie tekstu Połączenie wszystkiego w całość Opcja 3. Podejście na stałe zdefiniowane w kodzie z użyciem łańcucha sekwencyjnego Porównanie wszystkich trzech opcji Opracowanie frontendu za pomocą biblioteki Streamlit Dostrajanie dużych modeli językowych Pobranie zbioru danych Tokenizacja danych Dostrajanie modelu Używanie wskaźników oceny modelu Trenowanie i zapisywanie Odpowiedzialna sztuczna inteligencja Architektura odpowiedzialnej sztucznej inteligencji Warstwa modelu Warstwa metapromptu Warstwa interfejsu użytkownika Regulacje prawne dotyczące odpowiedzialnej sztucznej inteligencji Najnowsze trendy i innowacje Najnowsze trendy w modelach językowych i generatywnej sztucznej inteligencji GPT-4V(ision) DALL-E 3 AutoGen Małe modele językowe Firmy wykorzystujące generatywną sztuczną inteligencję Coca-Cola Notion Malbek Microsoft