Du

Zobacz także:

• FAIK. Sztuczna inteligencja w s 59,90 zł, (29,95 zł -50%)
• J 44,90 zł, (22,45 zł -50%)
• Praktyczne zastosowania generatywnej AI i ChatGPT. Wykorzystaj potencja 87,00 zł, (47,85 zł -45%)
• AI w t 66,98 zł, (36,84 zł -45%)
• Tablice informatyczne. ChatGPT 21,89 zł, (12,04 zł -45%)

Spis treści

LLMs w akcji. Od modeli językowych do dochodowych produktów eBook -- spis treści

Przedmowa

Wstęp

Podziękowania

O książce

O autorach

O ilustracji na okładce

1. Przebudzenie słów: Dlaczego duże modele językowe przyciągnęły uwagę

• 1.1. Duże modele językowe przyspieszające komunikację
• 1.2. Podejmowanie decyzji o tworzeniu lub zakupie modeli językowych
  • 1.2.1. Zakupy: Utarte ścieżki
  • 1.2.2. Budowanie: Mniej uczęszczana ścieżka
  • 1.2.3. Ostrzeżenie: Otwórz się na przyszłość już teraz
• 1.3. Obalanie mitów
• Podsumowanie

2. Duże modele językowe: Szczegółowe rozważania o modelowaniu języka

• 2.1. Modelowanie języka
  • 2.1.1. Cechy językowe
  • 2.1.2. Semiotyka
  • 2.1.3. Wielojęzyczne przetwarzanie języka naturalnego
• 2.2. Techniki modelowania języka
  • 2.2.1. Techniki oparte na N-gramach i korpusach
  • 2.2.2. Techniki bayesowskie
  • 2.2.3. Łańcuchy Markowa
  • 2.2.4. Ciągłe modelowanie języka
  • 2.2.5. Osadzenia
  • 2.2.6. Perceptrony wielowarstwowe
  • 2.2.7. Sieci neuronowe rekurencyjne i sieci z długą pamięcią krótkotrwałą
  • 2.2.8. Mechanizm uwagi
• 2.3. Uwaga to wszystko, czego potrzebujesz
  • 2.3.1. Kodery
  • 2.3.2. Dekodery
  • 2.3.3. Transformery
• 2.4. Naprawdę duże transformery
• Podsumowanie

3. Operacje na dużych modelach językowych: Tworzenie platformy dla modeli LLM

• 3.1. Wprowadzenie do operacji na dużych modelach językowych
• 3.2. Wyzwania operacyjne związane z dużymi modelami językowymi
  • 3.2.1. Długi czas pobierania
  • 3.2.2. Dłuższe czasy wdrażania
  • 3.2.3. Opóźnienie
  • 3.2.4. Zarządzanie kartami graficznymi (GPU)
  • 3.2.5. Osobliwości danych tekstowych
  • 3.2.6. Ograniczenia tokenów tworzą wąskie gardła
  • 3.2.7. Halucynacje powodują dezorientację
  • 3.2.8. Uprzedzenia i kwestie etyczne
  • 3.2.9. Kwestie bezpieczeństwa
  • 3.2.10. Kontrola kosztów
• 3.3. Podstawy LLMOps
  • 3.3.1. Kompresja
  • 3.3.2. Przetwarzanie rozproszone
• 3.4. Infrastruktura operacyjna modeli językowych
  • 3.4.1. Infrastruktura danych
  • 3.4.2. Narzędzia do śledzenia eksperymentów
  • 3.4.3. Rejestr modeli
  • 3.4.4. Magazyny cech
  • 3.4.5. Wektorowe bazy danych
  • 3.4.6. System monitorowania
  • 3.4.7. Stacje robocze z obsługą GPU
  • 3.4.8. Usługa wdrożeniowa
• Podsumowanie

4. Inżynieria danych na potrzeby dużych modeli językowych: Przygotowania do sukcesu

• 4.1. Modele są fundamentem
  • 4.1.1. GPT
  • 4.1.2. Model BLOOM
  • 4.1.3. Llama
  • 4.1.4. Wizard
  • 4.1.5. Falcon
  • 4.1.6. Vicuna
  • 4.1.7. Dolly
  • 4.1.8. OpenChat
• 4.2. Ocena modeli językowych
  • 4.2.1. Metryki oceny tekstu
  • 4.2.2. Benchmarki branżowe
  • 4.2.3. Odpowiedzialne benchmarki sztucznej inteligencji
  • 4.2.4. Tworzenie własnego testu wydajności
  • 4.2.5. Ocena generatorów kodu
  • 4.2.6. Ocena parametrów modelu
• 4.3. Dane dla modeli językowych
  • 4.3.1. Zbiory danych, które warto znać
  • 4.3.2. Czyszczenie i przygotowanie danych
• 4.4. Edytory tekstu
  • 4.4.1. Tokenizacja
  • 4.4.2. Osadzenia
• 4.5. Przygotowanie zbioru danych Slack
• Podsumowanie

5. Trenowanie dużych modeli językowych: Jak wygenerować generator

• 5.1. Środowiska wieloprocesorowe GPU
  • 5.1.1. Konfiguracja początkowa
  • 5.1.2. Biblioteki
• 5.2. Podstawowe techniki szkoleniowe
  • 5.2.1. Trenowanie od podstaw
  • 5.2.2. Uczenie transferowe (dostrajanie)
  • 5.2.3. Promptowanie
• 5.3. Zaawansowane techniki trenowania
  • 5.3.1. Dostrajanie z użyciem promptów
  • 5.3.2. Dostrajanie z wykorzystaniem destylacji wiedzy
  • 5.3.3. Uczenie przez wzmacnianie na podstawie informacji zwrotnych od człowieka
  • 5.3.4. Mieszanka ekspertów
  • 5.3.5. LoRA i PEFT
• 5.4. Wskazówki i triki szkoleniowe
  • 5.4.1. Uwagi dotyczące rozmiaru danych treningowych
  • 5.4.2. Efektywne szkolenie
  • 5.4.3. Pułapki lokalnych minimów
  • 5.4.4. Wskazówki dotyczące dostrajania hiperparametrów
  • 5.4.5. Uwaga na temat systemów operacyjnych
  • 5.4.6. Wskazówki dotyczące funkcji aktywacji
• Podsumowanie

6. Duże modele językowe jako usługi: Praktyczny przewodnik

• 6.1. Tworzenie usługi LLM
  • 6.1.1. Kompilacja modelu
  • 6.1.2. Strategie przechowywania modeli LLM
  • 6.1.3. Adaptacyjne grupowanie żądań
  • 6.1.4. Kontrola przepływu
  • 6.1.5. Strumieniowanie odpowiedzi
  • 6.1.6. Magazyn cech
  • 6.1.7. Generowanie wspomagane wyszukiwaniem
  • 6.1.8. Biblioteki usług LLM
• 6.2. Przygotowanie infrastruktury
  • 6.2.1. Tworzenie i konfigurowanie klastrów
  • 6.2.2. Automatyczne skalowanie
  • 6.2.3. Aktualizacje kroczące
  • 6.2.4. Grafy wnioskowania
  • 6.2.5. Monitorowanie
• 6.3. Wyzwania produkcyjne
  • 6.3.1. Aktualizacje modelu i ponowne uczenie
  • 6.3.2. Testy obciążeniowe
  • 6.3.3. Rozwiązywanie problemów z wysokim opóźnieniem
  • 6.3.4. Zarządzanie zasobami
  • 6.3.5. Inżynieria kosztów
  • 6.3.6. Bezpieczeństwo
• 6.4. Wdrożenia na urządzeniach brzegowych
• Podsumowanie

7. Inżynieria promptów: Jak zostać zaklinaczem modeli językowych

• 7.1. Promptowanie modelu
  • 7.1.1. Promptowanie na kilku przykładach
  • 7.1.2. Promptowanie na jednym przykładzie
  • 7.1.3. Promptowanie bez przykładów
• 7.2. Podstawy inżynierii promptów
  • 7.2.1. Anatomia promptu
  • 7.2.2. Parametry podpowiedzi
  • 7.2.3. Pozyskiwanie danych treningowych
• 7.3. Narzędzia do inżynierii promptów
  • 7.3.1. LangChain
  • 7.3.2. Wskazówki
  • 7.3.3. DSPy
  • 7.3.4. Dostępne są również inne narzędzia, ale.
• 7.4. Zaawansowane techniki inżynierii promptów
  • 7.4.1. Wyposażanie modeli językowych w narzędzia
  • 7.4.2. ReAct
• Podsumowanie

8. Aplikacje LLM: Doświadczenia interaktywne

• 8.1. Tworzenie aplikacji
  • 8.1.1. Strumieniowanie po stronie klienta
  • 8.1.2. Zachowywanie historii
  • 8.1.3. Funkcje interakcji z chatbotem
  • 8.1.4. Zliczanie tokenów
  • 8.1.5. Stosowanie RAG
• 8.2. Aplikacje na urządzenia brzegowe
• 8.3. Agenty oparte na modelach językowych
• Podsumowanie

9. Tworzenie projektu LLM: Reimplementacja modelu Llama 3

• 9.1. Implementacja modelu Llama firmy Meta
  • 9.1.1. Tokenizacja i konfiguracja
  • 9.1.2. Zbiór danych, wczytywanie danych, ocena i generowanie
  • 9.1.3. Architektura sieci
• 9.2. Prosty model Llama
• 9.3. Ulepszanie
  • 9.3.1. Kwantyzacja
  • 9.3.2. LoRA
  • 9.3.3. W pełni sfragmentowana równoległość danych - skwantyzowana LoRA
• 9.4. Wdrażanie modelu do przestrzeni Hugging Face Hub
• Podsumowanie

10. Tworzenie projektu asystenta do programowania: To by ci się przydało wcześniej

• 10.1. Nasz model
• 10.2. Dane rządzą
  • 10.2.1. Nasza baza danych wektorowych
  • 10.2.2. Nasz zbiór danych
  • 10.2.3. Zastosowanie RAG
• 10.3. Tworzenie rozszerzenia dla VS Code
• 10.4. Wnioski i kolejne kroki
• Podsumowanie

11. Wdrażanie modelu LLM na Raspberry Pi: Gdzie jest granica minimalizacji?

• 11.1. Konfiguracja Raspberry Pi
  • 11.1.1. Program Pi Imager
  • 11.1.2. Łączenie się z Pi
  • 11.1.3. Instalowanie i aktualizowanie oprogramowania
• 11.2. Przygotowanie modelu
• 11.3. Udostępnianie modelu
• 11.4. Ulepszenia
  • 11.4.1. Korzystanie z ulepszonego interfejsu
  • 11.4.2. Zmiana kwantyzacji
  • 11.4.3. Dodawanie multimodalności
  • 11.4.4. Udostępnianie modelu w Google Colab
• Podsumowanie

12. Produkcja, środowisko bezustannych zmian: Wszystko dopiero się zaczyna

• 12.1. Spojrzenie z lotu ptaka
• 12.2. Przyszłość modeli językowych
  • 12.2.1. Rząd i regulacje
  • 12.2.2. Modele językowe stają się coraz większe
  • 12.2.3. Przestrzenie wielomodalne
  • 12.2.4. Zbiory danych
  • 12.2.5. Rozwiązywanie problemu halucynacji
  • 12.2.6. Nowy sprzęt
  • 12.2.7. Agenty staną się użyteczne
• 12.3. Końcowe przemyślenia
• Podsumowanie

A. Historia językoznawstwa

• A.1. Językoznawstwo starożytne
• A.2. Lingwistyka średniowieczna
• A.3. Językoznawstwo renesansowe i wczesnonowożytne
• A.4. Językoznawstwo wczesnego XX wieku
• A.5. Językoznawstwo połowy XX wieku i współczesne

B. Uczenie przez wzmacnianie na podstawie informacji zwrotnych od człowieka

C. Multimodalne przestrzenie ukryte