reklama - zainteresowany?

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

LLM w projektowaniu oprogramowania. Tworzenie inteligentnych aplikacji i agent
ebook
Autor: Valentina Alto
Tytuł oryginału: Building LLM Powered Applications: Create intelligent apps and agents with large language models
Tłumaczenie: Robert G
ISBN: 978-83-289-1895-5
stron: 344, Format: ebook
Księgarnia: Helion

Cena książki: 89,00 zł

Książka będzie dostępna od marca 2025

Tagi: Inne - Programowanie | Python - Programowanie | Sztuczna inteligencja

Du

Spis treści

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

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2025 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.