LLM w projektowaniu oprogramowania. Tworzenie inteligentnych aplikacji i agent - Helion

Tytuł oryginału: Building LLM Powered Applications: Create intelligent apps and agents with large language models
Tłumaczenie: Robert G
ISBN: 978-83-289-1894-8
stron: 317, Format: 165x235, okładka: mi
Księgarnia: Helion
Książka będzie dostępna od stycznia 2025
Du
Zobacz także:
- Biologika Sukcesji Pokoleniowej. Sezon 3. Konflikty na terytorium 117,27 zł, (12,90 zł -89%)
- Windows Media Center. Domowe centrum rozrywki 66,67 zł, (8,00 zł -88%)
- Podręcznik startupu. Budowa wielkiej firmy krok po kroku 92,14 zł, (12,90 zł -86%)
- Ruby on Rails. Ćwiczenia 18,75 zł, (3,00 zł -84%)
- Prawa ludzkiej natury 75,88 zł, (12,90 zł -83%)
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