Zobacz także:

• Cisco CCNA 200-301. Kurs video. Administrowanie bezpieczeństwem sieci. Część 3 665,00 zł, (39,90 zł -94%)
• Cisco CCNA 200-301. Kurs video. Administrowanie urządzeniami Cisco. Część 2 665,00 zł, (39,90 zł -94%)
• Cisco CCNA 200-301. Kurs video. Podstawy sieci komputerowych i konfiguracji. Część 1 665,00 zł, (39,90 zł -94%)
• Cisco CCNP Enterprise 350-401 ENCOR. Kurs video. Programowanie i automatyzacja sieci 443,33 zł, (39,90 zł -91%)
• CCNP Enterprise 350-401 ENCOR. Kurs video. Mechanizmy kierowania ruchem pakiet 443,33 zł, (39,90 zł -91%)

Spis treści

LLM w projektowaniu oprogramowania. Tworzenie inteligentnych aplikacji i agentów z wykorzystaniem dużych modeli językowych -- spis treści

O autorze

O korektorach merytorycznych

Wprowadzenie

Rozdział 1. Wprowadzenie do dużych modeli językowych

• Czym jest duży model podstawowy i duży model językowy?
  • Przesunięcie paradygmatu sztucznej inteligencji - wprowadzenie do modeli podstawowych
  • 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?
• Podsumowanie
• Odwołania

Rozdział 2. 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?
• Podsumowanie
• Odwołania

Rozdział 3. 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
  • Rozważania
  • Studium przypadku
• Podsumowanie
• Odwołania

Rozdział 4. Prompt engineering

• Wymagania techniczne
• Czym jest prompt engineering?
• Reguły 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
• Podsumowanie
• Odwołania

Rozdział 5. Osadzanie dużych modeli językowych w aplikacjach

• Wymagania techniczne
• 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
• Podsumowanie
• Odwołania

Rozdział 6. Tworzenie aplikacji konwersacyjnych

• Wymagania techniczne
• Rozpoczęcie pracy z aplikacjami konwersacyjnymi
  • Tworzenie zwykłego bota
  • Dodawanie pamięci
  • Dodawanie wiedzy nieparametrycznej
  • Dodawanie narzędzi zewnętrznych
• Opracowanie frontendu za pomocą Streamlit
• Podsumowanie
• Odwołania

Rozdział 7. Używanie dużych modeli językowych do tworzenia silników wyszukiwania i rekomendacji

• Wymagania techniczne
• 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
• Podsumowanie
• Odwołania

Rozdział 8. Używanie dużych modeli językowych w połączeniu z danymi strukturyzowanymi

• Wymagania techniczne
• 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
• Podsumowanie
• Odwołania

Rozdział 9. Praca z kodem źródłowym

• Wymagania techniczne
• 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
• Podsumowanie
• Odwołania

Rozdział 10. Tworzenie wielomodalnych aplikacji wykorzystujących duże modele językowe

• Wymagania techniczne
• 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
• Podsumowanie
• Odwołania

Rozdział 11. Dostrajanie dużych modeli językowych

• Wymagania techniczne
• Czym jest dostrajanie?
• Kiedy dostrajanie modelu jest konieczne?
• Rozpoczęcie dostrajania
  • Pobranie zbioru danych
  • Tokenizacja danych
  • Dostrajanie modelu
  • Używanie wskaźników oceny modelu
  • Trenowanie i zapisywanie
• Podsumowanie
• Odwołania

Rozdział 12. Odpowiedzialna sztuczna inteligencja

• Czym jest odpowiedzialna sztuczna inteligencja i dlaczego jej potrzebujemy?
• Architektura odpowiedzialnej sztucznej inteligencji
  • Warstwa modelu
  • Warstwa metapromptu
  • Warstwa interfejsu użytkownika
• Regulacje prawne dotyczące odpowiedzialnej sztucznej inteligencji
• Podsumowanie
• Odwołania

Rozdział 13. 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
• Podsumowanie
• Odwołania