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.
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
Åpne kurs krever 5+ deltakere.
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Treningskurs - Bestilling
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Treningskurs - Forespørsel
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems - Konsulentforespørsel
Kommende kurs
Relaterte kurs
Avansert finjustering og prompt-håndtering i Vertex AI
14 TimerAvanserte Teknikker i 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.
Continual Learning and Model Update Strategies for Fine-Tuned Models
14 TimerDenne instruktørledede, liveopplæringen i Norge (online eller på sted) er rettet mot avanserte AI-vedlikeholdsteknikere og MLOps-profesjonelle som ønsker å implementere robuste kontinuerlige læringsrørledninger og effektive oppdateringsstrategier for utplasserte, finjusterte modeller.
Ved avslutningen av denne opplæringen vil deltakerne være i stand til å:
- Designe og implementere kontinuerlige læringsarbeidsflyter for utplasserte modeller.
- Forhindre katastrofal glemsel gjennom riktig opplæring og minnehåndtering.
- Automatisere overvåking og oppdateringstriggere basert på modell-drift eller datendringer.
- Integere modelloppdateringsstrategier i eksisterende CI/CD- og MLOps-rørledninger.
Deploying of 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.
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.
Finjustering av modeller og store språkmodeller (LLM)
14 TimerDette er et instruktørledet, levende kurs i Norge (online eller på stedet) rettet mot mellom- til avanserte profesjonelle som ønsker å tilpasse ferdig trenede modeller for spesifikke oppgaver og datasett.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå prinsippene bak finjustering og dets anvendelser.
- Forberede datasett for finjustering av ferdig trenede modeller.
- Finjustere store språkmodeller (LLM) for NLP-oppgaver.
- Optimere modellytelse og adressere vanlige utfordringer.
Effektiv finjustering med lavrangstilpasning (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.
Finjustering av multimodale modeller
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.
Finetuning 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.
Fine-Tuning AI for Financial Services: Risk Prediction and Fraud Detection
14 TimerDette undervisningsledede, live-kurs i Norge (online eller på stedet) er rettet mot avansert nivå datakvnere og AI-injører i finanssektoren som ønsker å finjustere modeller for anvendelser som kreditvurdering, svindeldeteksjon og risikomodellering ved bruk av domenspesifikk finansiell data.
Ved slutten av dette kurs, vil deltakerne kunne:
- Finjustere AI-modeller på finansielle datasett for bedre svindeldeteksjon og risikovurdering.
- Bruke teknikker som transfer learning, LoRA, og regulering for å øke modellens effektivitet.
- Integrasjon av finansielle overholdelsesaspekter i AI-modelleringsarbeidsflyt.
- Databere kalkulerte modeller for produksjonsbruk i finansplattformer.
Finjustering av AI for helsevesen: Medisinsk diagnostikk og prediktiv analyse
14 TimerDette instruktørførte, live-treningen i Norge (online eller på stedet) er rettet mot mellem- og avansertnivå medisinske AI-utviklere og datavitenskapsfolk som ønsker å finjustere modeller for klinisk diagnostikk, sykdomsprediksjon og pasientutfallsvurdering ved bruk av strukturerte og ustrukturerte medisinsk data.
Ved treningens slutt vil deltakerne kunne:
- Finjustere AI-modeller på helsevesendatasett inkludert EMRs, bilder og tidsrekke-data.
- Bruke transfer learning, domeneadaptasjon og modellkomprimering i medisinske kontekster.
- Behandle privatlivsvern, forvrinskelse og reguleringsmessig overholdelse i modellutvikling.
- Dyrke og overvåke finjusterte modeller i sanntidshelsevesenmiljøer.
Finetuning av DeepSeek LLM for Egendefinerte AI-modeller
21 TimerDenne instruktørledede, live-opplæringskurset (online eller på stedet) er rettet mot avanserte AI-forskere, maskinlæringingeniører og utviklere som ønsker å finjustere DeepSeek LLM-modeller for å opprette spesialiserte AI-applikasjoner tilpasset bestemte industrier, domener eller forretningsbehov.
Ved slutten av denne opplæringen vil deltakere kunne:
- Forstå arkitekturen og mulighetene til DeepSeek-modellene, inkludert DeepSeek-R1 og DeepSeek-V3.
- Forberede datasett og forhåndsbehandle data for finjustering.
- Finjustere DeepSeek LLM for domene-spesifikke applikasjoner.
- Optimalisere og deploye finjusterte modeller effektivt.
Finjustering av Forsvars-AI for Autonome Systemer og Overvåking
14 TimerDenne veiledede, levende opplæringen (online eller på stedet) er rettet mot avanserte forsvarssystemer AI-ingeniører og militære teknologiutviklere som ønsker å finjustere dype læringsmodeller for bruk i autonome kjøretøy, droner og overvåkningssystemer mens de møter strenge sikkerhets- og pålitelighetsstandarder.
Ved avslutningen av denne opplæringen vil deltakerne kunne:
- Finjustere bildebehandlings- og sensorfusjonsmodeller for overvåknings- og måloppdrag.
- Tilpasse autonome AI-systemer til endrede miljøer og oppdragsprofiler.
- Implementere robuste validering og sikkerhetsmekanismer i modellrørledninger.
- Sikre at de er i samsvar med forsvarsspesifikke samsvars-, sikkerhets- og pålitelighetsstandarder.
Fine-Tuning Legal AI Models: Contract Review and Legal Research
14 TimerDenne instruktørlede, live-treningen (online eller på stedet) er rettet mot mellomnivå-legalteknologiingeniører og AI-utviklere som ønsker å tilpasse språkmodeller for oppgaver som kontraktanalyse, klausulekstraksjon og automatisert juridisk forskning i juridiske tjenesteomgivelser.
Ved slutten av denne treningen vil deltakerne kunne:
- Forberede og rense juridiske dokumenter for tilpassing av NLP-modeller.
- Bruke tilpassingsstrategier for å forbedre modellens nøyaktighet på juridiske oppgaver.
- Utplassere modeller for å hjelpe med kontraktgransking, klassifisering og forskning.
- Sikre at AI-utdataene er i samsvar med regler, kan auditeres og er sporbar i juridiske kontekster.
Fine-Tuning Store språkmodeller med 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.
