LLMs i flertydige applikasjoner Treningskurs
Integrasjonen av ulike typer data som tekst, bilde og lyd representerer forkant av LLM-applikasjoner, og muliggjør mer omfattende og kontekstbevisste AI-systemer.
Denne instruktørledede, direkteopplæringen (online eller på stedet) er rettet mot dataforskere på middels nivå, maskinlæringsingeniører og programvareutviklere som ønsker å bruke Large Language Models (LLMs) til multimodale data for avanserte AI-applikasjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå prinsippene for multimodal læring med LLM.
- Implementer LLM-er for å behandle og analysere tekst-, bilde- og lyddata.
- Utvikle applikasjoner som utnytter styrkene ved multimodal dataintegrasjon.
- Evaluere ytelsen til multimodale LLM-systemer.
Kursets format
- Interaktivt foredrag og diskusjon.
- Mye øvelser og trening.
- Praktisk implementering i et live-lab-miljø.
Alternativer for kurstilpasning
- For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.
Kursplan
Introduksjon til multimodal læring
- Oversikt over multimodal AI
- Utfordringer i multimodal databehandling
- Fordeler med multimodale LLM-er
Forstå store språkmodeller
- Arkitektur av state-of-the-art LLMs
- Trening av LLM-er med multimodale data
- Kasusstudier: Vellykkede multimodale LLM-applikasjoner
Behandling av multimodale data
- Dataforbehandlingsteknikker for tekst, bilde og lyd
- Funksjonsutvinning og representasjonslæring
- Integrering av multimodale data i LLM-er
Utvikling av multimodale LLM-applikasjoner
- Designe brukergrensesnitt for multimodal interaksjon
- LLM-er i virtuelle assistenter og chatbots
- Skap oppslukende opplevelser med LLM-er
Evaluere og optimalisere multimodale systemer
- Ytelsesmålinger for multimodale LLM-er
- Optimaliseringsstrategier for bedre nøyaktighet og effektivitet
- Ta tak i skjevhet og rettferdighet i multimodale systemer
Hands-on Lab: Bygge et multimodalt LLM-prosjekt
- Sette opp et multimodalt datasett
- Implementering av en multimodal LLM for et spesifikt brukstilfelle
- Testing og raffinering av systemet
Sammendrag og neste trinn
Krav
- En forståelse av maskinlæring og nevrale nettverk
- Erfaring med Python programmering
- Kjennskap til dataforbehandling for ulike datatyper (tekst, bilde, lyd)
Publikum
- Dataforskere
- Maskinlæringsingeniører
- Programvareutviklere
- Forskere med fokus på AI og naturlig språkbehandling
Åpne kurs krever 5+ deltakere.