Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Treningskurs
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems is the process of optimizing how large language models retrieve and generate relevant information from external sources for enterprise applications.
This instructor-led, live training (online or onsite) is aimed at intermediate-level NLP engineers and knowledge management teams who wish to fine-tune RAG pipelines to enhance performance in question answering, enterprise search, and summarization use cases.
By the end of this training, participants will be able to:
- Forstå arkitekturen og arbeidsflyten i RAG-systemer.
- Fintune retriever- og generatorkomponenter for domenespesifikke data.
- Vurdere RAG-ytelse og gjøre forbedringer gjennom PEFT-teknikker.
- Implementere optimerte RAG-systemer for intern eller produksjonsbruk.
Formatet på kurset
- Interaktiv forelesning og diskusjon.
- Mange øvelser og praksis.
- Hånds-on implementering i en live-lab miljø.
Tilpasningsalternativer for kurset
- For å be om et tilpasset kurs for dette emnet, kontakt oss for å avtale.
Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Introduksjon til Retrieval-Augmented Generation (RAG)
- Hva er RAG og hvorfor det er viktig for virksomhetens AI
- Komponenter i et RAG-system: retriever, generator, dokumentlager
- Sammenligning med selvstendige LLMs og vektorøkning
Oppsett av en RAG-Pipeline
- Installasjon og konfigurasjon av Haystack eller lignende rammeverk
- Inntak og forbehandling av dokumenter
- Tilkobling av retrievere til vektordatabaser (e.g., FAISS, Pinecone)
Fine-Tuning Retriveren
- Trening av tette retrievere ved hjelp av domenespesifikk data
- Bruk av setningstransformatorer og kontrastiv læring
- Vurdering av retrieverens kvalitet med top-k nøyaktighet
Fine-Tuning Generatoren
- Valg av basismodeller (e.g., BART, T5, FLAN-T5)
- Instruksjonstuning vs. overvåket finjustering
- LoRA og PEFT-metoder for effektive oppdateringer
Vurdering og optimalisering
- Metrikker for å vurdere RAG-ytelse (e.g., BLEU, EM, F1)
- Latens, retrieverkvalitet og reduksjon av hallusinasjoner
- Eksperimentsporing og iterativ forbedring
Utplassering og integrasjon i virkeligheten
- Utplassering av RAG i interne søkemotorer og chatbots
- Sikkerhet, dataaksess og styreforhold
- Integrering med API-er, dashbord eller kunnskapsportaler
Case studies og beste praksis
- Virksomhetstilfeller innen finans, helsevesen og rettsvesen
- Håndtering av domenedrift og oppdateringer av kunnskapsbasen
- Fremtidige retninger i retriever-augmenterte LLM-systemer
Oppsummering og neste skritt
Krav
- Forståelse av konsepter innen naturlig språkbehandling (NLP)
- Erfaring med transformerbaserte språkmodeller
- Kjennskap til Python og grunnleggende maskinlæringsarbeidsflyter
Målgruppe
- NLP-ingeniører
- Team for kunnskapsadministrasjon
14 timer
Open Training Courses require 5+ participants.
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Treningskurs - Booking
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Treningskurs - Enquiry
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems - Consultancy Enquiry
Consultancy Enquiry
Upcoming Courses
Relaterte kurs
Advanced Techniques in Transfer Learning
14 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot maskinlæringsprofesjonelle på avansert nivå som ønsker å mestre banebrytende overføringslæringsteknikker og bruke dem på komplekse problemer i den virkelige verden.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå avanserte konsepter og metoder innen overføringslæring.
- Implementere domenespesifikke tilpasningsteknikker for forhåndstrente modeller.
- Bruk kontinuerlig læring for å administrere utviklende oppgaver og datasett.
- Mestre finjustering av flere oppgaver for å forbedre modellytelsen på tvers av oppgaver.
Read more...
Deploying Fine-Tuned Models in Production
21 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å distribuere finjusterte modeller pålitelig og effektivt.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå utfordringene med å distribuere finjusterte modeller i produksjon.
- Containeriser og distribuer modeller ved hjelp av verktøy som Docker og Kubernetes.
- Implementer overvåking og logging for utplasserte modeller.
- Optimaliser modeller for ventetid og skalerbarhet i virkelige scenarier.
Read more...
Domain-Specific Fine-Tuning for Finance
21 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot fagfolk på middels nivå som ønsker å få praktiske ferdigheter i å tilpasse AI-modeller for kritiske økonomiske oppgaver.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå det grunnleggende om finjustering for finansapplikasjoner.
- Utnytt forhåndstrente modeller for domenespesifikke oppgaver innen finans.
- Bruk teknikker for svindeloppdagelse, risikovurdering og generering av finansiell rådgivning.
- Sikre overholdelse av økonomiske forskrifter som GDPR og SOX.
- Implementere datasikkerhet og etisk AI-praksis i finansielle applikasjoner.
Read more...
Fine-Tuning Models and Large Language Models (LLMs)
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot fagfolk på middels til avansert nivå som ønsker å tilpasse forhåndstrente modeller for spesifikke oppgaver og datasett.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå prinsippene for finjustering og dens anvendelser.
- Forbered datasett for finjustering av forhåndstrente modeller.
- Finjuster store språkmodeller (LLM) for NLP-oppgaver.
- Optimaliser modellytelsen og ta tak i vanlige utfordringer.
Read more...
Efficient Fine-Tuning with Low-Rank Adaptation (LoRA)
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på middels nivå og AI-utøvere som ønsker å implementere finjusteringsstrategier for store modeller uten behov for omfattende beregningsressurser.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå prinsippene for Low-Rank Adaptation (LoRA).
- Implementer LoRA for effektiv finjustering av store modeller.
- Optimaliser finjustering for miljøer med begrensede ressurser.
- Evaluer og distribuer LoRA-tunede modeller for praktiske bruksområder.
Read more...
Fine-Tuning Multimodal Models
28 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å mestre multimodal modellfinjustering for innovative AI-løsninger.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå arkitekturen til multimodale modeller som CLIP og Flamingo.
- Forbered og forhåndsbehandle multimodale datasett effektivt.
- Finjuster multimodale modeller for spesifikke oppgaver.
- Optimaliser modeller for virkelige applikasjoner og ytelse.
Read more...
Fine-Tuning for Natural Language Processing (NLP)
21 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot fagfolk på middels nivå som ønsker å forbedre NLP-prosjektene sine gjennom effektiv finjustering av ferdigtrente språkmodeller.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå det grunnleggende om finjustering for NLP-oppgaver.
- Finjuster forhåndstrente modeller som GPT, BERT og T5 for spesifikke NLP-applikasjoner.
- Optimaliser hyperparametre for forbedret modellytelse.
- Evaluer og distribuer finjusterte modeller i virkelige scenarier.
Read more...
Fine-Tuning DeepSeek LLM for Custom AI Models
21 timerDenne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot AI-forskere på avansert nivå, maskinlæringsingeniører og utviklere som ønsker å finjustere DeepSeek LLM-modeller for å lage spesialiserte AI-applikasjoner skreddersydd for spesifikke bransjer, domener eller forretningsbehov.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå arkitekturen og egenskapene til DeepSeek-modeller, inkludert DeepSeek-R1 og DeepSeek-V3.
- Forbered datasett og forhåndsbehandle data for finjustering.
- Finjuster DeepSeek LLM for domenespesifikke applikasjoner.
- Optimaliser og distribuer finjusterte modeller effektivt.
Read more...
Fine-Tuning Large Language Models Using QLoRA
14 timerDenne instruktørledede, live-opplæring i Norge (online eller på stedet) er rettet mot maskinlæringsingeniører, AI-utviklere og dataforskere på mellomnivå til avansert nivå som ønsker å lære hvordan de kan bruke QLoRA til effektiv finjustering av store modeller for spesifikke oppgaver og tilpasninger.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå teorien bak QLoRA og kvantiseringsteknikker for LLMs.
- Implementere QLoRA i finjustering av store språkmodeller for domene-spesifikke applikasjoner.
- Optimalisere finjusteringsyytelse på begrensede beregningsressurser ved hjelp av kvantisering.
- Utplassere og evaluere finjusterte modeller effektivt i virkelige applikasjoner.
Read more...
Fine-Tuning Open-Source LLMs (LLaMA, Mistral, Qwen, etc.)
14 timerDette instruktørledede, live opplæringen i Norge (online eller på stedet) er rettet mot mellomnivå ML-praktikere og AI-utviklere som ønsker å fintunere og distribere åpne vektmodeller som LLaMA, Mistral, og Qwen for spesifikke bedrifts- eller interne applikasjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå økosystemet og forskjellene mellom åpne kildekode LLMs.
- Forberede datasets og fine-tuning konfigurasjoner for modeller som LLaMA, Mistral, og Qwen.
- Kjøre fine-tuning rørledninger ved bruk av Hugging Face Transformers og PEFT.
- Vurdere, lagre, og distribuere fine-tunede modeller i sikre miljøer.
Read more...
Fine-Tuning with Reinforcement Learning from Human Feedback (RLHF)
14 timerDenne instruktørledede, live opplæringen på Norge (online eller på sted) er rettet mot avanserte maskinlæringsingeniører og AI-forskere som ønsker å anvende RLHF for å finjustere store AI-modeller for overlegen ytelse, sikkerhet og samstemming.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå de teoretiske grunnlagene for RLHF og hvorfor det er avgjørende i moderne AI-utvikling.
- Implementere belønningsmodeller basert på menneskelig tilbakemelding for å veilede forsterkningslæringsprosesser.
- Finjustere store språklige modeller ved hjelp av RLHF-teknikker for å gjøre utdataene i tråd med menneskelige preferanser.
- Anvende beste praksis for å skalere RLHF-arbeidsflyter for produksjonsklare AI-systemer.
Read more...
Fine-Tuning Vision-Language Models (VLMs)
14 timerThis instructor-led, live training in Norge (online or onsite) is aimed at advanced-level computer vision engineers and AI developers who wish to fine-tune VLMs such as CLIP and Flamingo to improve performance on industry-specific visual-text tasks.
By the end of this training, participants will be able to:
- Understand the architecture and pretraining methods of vision-language models.
- Fine-tune VLMs for classification, retrieval, captioning, or multimodal QA.
- Prepare datasets and apply PEFT strategies to reduce resource usage.
- Evaluate and deploy customized VLMs in production environments.
Read more...
Optimizing Large Models for Cost-Effective Fine-Tuning
21 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å mestre teknikker for å optimalisere store modeller for kostnadseffektiv finjustering i virkelige scenarier.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå utfordringene med å finjustere store modeller.
- Bruk distribuerte treningsteknikker på store modeller.
- Utnytt modellkvantisering og beskjæring for effektivitet.
- Optimaliser maskinvareutnyttelsen for finjusteringsoppgaver.
- Distribuer finjusterte modeller effektivt i produksjonsmiljøer.
Read more...
Prompt Engineering and Few-Shot Fine-Tuning
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot fagfolk på middels nivå som ønsker å utnytte kraften til rask ingeniørkunst og få greps læring for å optimalisere LLM-ytelsen for virkelige applikasjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå prinsippene for rask prosjektering og få-skuddslæring.
- Design effektive spørsmål for ulike NLP-oppgaver.
- Bruk få-skuddsteknikker for å tilpasse LLM-er med minimalt med data.
- Optimaliser LLM-ytelsen for praktiske bruksområder.
Read more...
Parameter-Efficient Fine-Tuning (PEFT) Techniques for LLMs
14 timerDenne instruktørledede, live-treningen på Norge (online eller på sted) er rettet mot mellomnivå-dataforskere og AI-ingeniører som ønsker å fine-tune store språkmodeller på en mer økonomisk og effektiv måte ved å bruke metoder som LoRA, Adapter Tuning, og Prefix Tuning.
Ved slutten av denne treningen vil deltakerne være i stand til:
- Forstå teorien bak parameter-effektive fine-tuning-metoder.
- Implementere LoRA, Adapter Tuning, og Prefix Tuning ved hjelp av Hugging Face PEFT.
- Sammenligne ytelse og kostnadsoverveielser av PEFT-metoder mot full fine-tuning.
- Deploye og skale fine-tuned LLMs med redusert beregning og lagringsbehov.
Read more...
