Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Διάρκεια 7 Ώρες
Εξέλιξη Κομματιού
Από τη Γενίκευση Κειμένου στην Τυποποιημένη Απόφαση
- Τι επιστρέφει ένα μοντέλο αποφάσεων
- Αποφάσεις System one σε αντίθεση με LLMs σκέψης
- Profil κόστους και καθυστέρησης των πεπερασμένων αποφάσεων
Το Τοπίο των Μοντέλων Αποφάσεων με Ανοιχτά Βάρη
- Strands Decider 2B από τα AWS Labs
- Οικογένειες ανοιχτών βαρών JEV και GEV
- Pplx-Decider, Liquid D1 και Clef
- Διαφορές σε άδειες χρήσης και διαployment
Μέσα σε Ένα Μοντέλο Αποφάσεων
- Τορσός (torso) LLM χωρίς κεφαλή μοντελοποίησης γλώσσας
- Κεφαλή δείκτη (pointer head) που βαθμολογεί πάνω από υποψήφιες επιλογές
- Πού προέρχεται ο σκορ εμπιστοσύνης
Εκτέλεση των Πρώτων Αποφάσεων
- Τοπική ρύθμιση σε CPU και κατανεμημένη GPU
- Φόρμουλα ερωτήσεων και σετ επιλογών
- Τέσσερις ερωτήσεις σε ένα μόνο πέρασμα (pass)
- Όρια απόφασης (thresholds) και συμπεριφορά fallback
Αξιολόγηση της Ποιότητας της Απόφασης
- JevBench και benchmarks αποφάσεων
- Ακρίβεια σε αντίθεση με απόδοση (calibration)
- Σκορ Brier και αξιοπιστία της εμπιστοσύνης
- Κάστορα όπου ένα μοντέλο αποφάσεων είναι το λάθος εργαλείο
Απαιτήσεις
- Βασική εξοικείωση με τα μεγάλα μοντέλα γλωσσών (LLMs) και εφαρμογές βασισμένες σε προτροπές (prompt-based).
- Εξοικείωση με τη γραμμή εντολών και τα σενάρια Python.
- Δεν απαιτείται εμπειρία στην εκπαίδευση machine learning.
Στόχος Κοινό
- Μηχανικοί AI που αξιολογούν μοντέλα αποφάσεων για ροές εργασίας πρακτόρων
- Προγραμματιστές λογισμικού που αντικαθιστούν κλήσεις LLM με πεπερασμένες αποφάσεις
- Αρχιτέκτονες λύσεων και πλατφορμών που σχεδιάζουν αρχιτεκτονικές πρακτόρων
- Τεχνικοί διαχειριστές προϊόντων που αξιολογούν επιλογές μοντέλων αποφάσεων