Efharistiki Katakratisi me Diplotitou Rouri Adapthsh (LoRA) Κομμάτι εκπαίδευσης
Το Low-Rank Adaptation (LoRA) είναι μια τεχνική αιχμής για αποτελεσματική λεπτομέρεια μοντέλων μεγάλης κλίμακας, μειώνοντας τις απαιτήσεις υπολογισμού και μνήμης των παραδοσιακών μεθόδων. Αυτό το μάθημα παρέχει πρακτική καθοδήγηση σχετικά με τη χρήση του LoRA για την προσαρμογή προεκπαιδευμένων μοντέλων για συγκεκριμένες εργασίες, καθιστώντας το ιδανικό για περιβάλλοντα με περιορισμένους πόρους.
Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε προγραμματιστές μεσαίου επιπέδου και επαγγελματίες τεχνητής νοημοσύνης που επιθυμούν να εφαρμόσουν στρατηγικές τελειοποίησης για μεγάλα μοντέλα χωρίς την ανάγκη εκτεταμένων υπολογιστικών πόρων.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
- Κατανοήστε τις αρχές της Προσαρμογής Χαμηλής Κατάταξης (LoRA).
- Εφαρμόστε το LoRA για αποτελεσματική μικρορύθμιση μεγάλων μοντέλων.
- Βελτιστοποιήστε τη λεπτομέρεια για περιβάλλοντα με περιορισμένους πόρους.
- Αξιολογήστε και αναπτύξτε μοντέλα συντονισμένα με LoRA για πρακτικές εφαρμογές.
Μορφή του μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και εξάσκηση.
- Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.
Επιλογές προσαρμογής μαθήματος
- Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.
Εξέλιξη Κομματιού
Εισαγωγή στην Προσαρμογή Χαμηλής Κατάταξης (LoRA)
- Τι είναι το LoRA;
- Πλεονεκτήματα του LoRA για αποτελεσματική ρύθμιση
- Σύγκριση με τις παραδοσιακές μεθόδους μικρορύθμισης
Κατανόηση των προκλήσεων Fine-Tuning
- Περιορισμοί της παραδοσιακής μικρορύθμισης
- Υπολογιστικοί και περιορισμοί μνήμης
- Γιατί το LoRA είναι μια αποτελεσματική εναλλακτική
Ρύθμιση του περιβάλλοντος
- Εγκατάσταση Python και απαιτούμενων βιβλιοθηκών
- Ρύθμιση Hugging Face Transformers και PyTorch
- Εξερευνώντας μοντέλα συμβατά με LoRA
Εφαρμογή LoRA
- Επισκόπηση της μεθοδολογίας LoRA
- Προσαρμογή προεκπαιδευμένων μοντέλων με LoRA
- Βελτιστοποίηση για συγκεκριμένες εργασίες (π.χ. ταξινόμηση κειμένου, σύνοψη)
Βελτιστοποίηση του Fine-Tuning με το LoRA
- Συντονισμός υπερπαραμέτρων για LoRA
- Αξιολόγηση της απόδοσης του μοντέλου
- Ελαχιστοποίηση της κατανάλωσης πόρων
Hands-On Labs
- Βελτιστοποίηση του BERT με LoRA για ταξινόμηση κειμένου
- Εφαρμογή LoRA στο T5 για εργασίες σύνοψης
- Εξερεύνηση προσαρμοσμένων διαμορφώσεων LoRA για μοναδικές εργασίες
Ανάπτυξη μοντέλων LoRA-Tuned
- Εξαγωγή και αποθήκευση μοντέλων συντονισμένων με LoRA
- Ενσωμάτωση μοντέλων LoRA σε εφαρμογές
- Ανάπτυξη μοντέλων σε περιβάλλοντα παραγωγής
Προηγμένες Τεχνικές στο LoRA
- Συνδυασμός LoRA με άλλες μεθόδους βελτιστοποίησης
- Κλιμάκωση LoRA για μεγαλύτερα μοντέλα και σύνολα δεδομένων
- Διερεύνηση πολυτροπικών εφαρμογών με το LoRA
Προκλήσεις και βέλτιστες πρακτικές
- Αποφυγή υπερβολικής προσαρμογής με LoRA
- Εξασφάλιση επαναληψιμότητας στα πειράματα
- Στρατηγικές για την αντιμετώπιση προβλημάτων και τον εντοπισμό σφαλμάτων
Μελλοντικές Τάσεις στην Αποτελεσματική Βελτιστοποίηση
- Αναδυόμενες καινοτομίες στο LoRA και συναφείς μέθοδοι
- Εφαρμογές του LoRA σε πραγματικό κόσμο AI
- Ο αντίκτυπος της αποτελεσματικής μικρορύθμισης στην ανάπτυξη της τεχνητής νοημοσύνης
Περίληψη και Επόμενα Βήματα
Απαιτήσεις
- Βασική κατανόηση των εννοιών της μηχανικής μάθησης
- Εξοικείωση με τον προγραμματισμό Python
- Εμπειρία με πλαίσια βαθιάς μάθησης όπως TensorFlow ή PyTorch
Ακροατήριο
- προγραμματιστές
- Επαγγελματίες τεχνητής νοημοσύνης
Κομμάτια Εκπαίδευσης χρειάζονται 5+ συμμετέχοντες.
Efharistiki Katakratisi me Diplotitou Rouri Adapthsh (LoRA) Κομμάτι εκπαίδευσης - Κράτηση
Efharistiki Katakratisi me Diplotitou Rouri Adapthsh (LoRA) Κομμάτι εκπαίδευσης - Ζήτημα Συμβουλευτικής
Efharistiki Katakratisi me Diplotitou Rouri Adapthsh (LoRA) - Συμβουλευτική Αίτημα
Εφεξής Μαθήματα
Σχετικά Μαθήματα
Advanced Fine-Tuning & Prompt Management in Vertex AI
14 ΏρεςO Vertex AI παρέχει προηγμένα εργαλεία για τη βελτίωση μεγάλων μοdel και τη διαχείριση υποδείξεων, επιτρέποντας σε αναπτυξείς και ομάδες δεδομένων να βελτιώσουν την ακρίβεια των μοdel, να ρυθμίσουν τα προϊόντα εργασίας συνέχειας και να διασφαλίσουν τη σκληρή αξιολόγηση με ενσωματωμένες βιβλιοθήκες και υπηρεσίες.
Αυτή η εκπαίδευση με δάσκαλο (online ή on-site) απευθύνεται σε πρακτικούς μεταξύ μέσου και υψηλού επιπέδου, οι οποίοι θέλουν να βελτιώσουν την απόδοση και την αξιολογητική πιστοποίηση γεννητικών εφαρμογών AI χρησιμοποιώντας επόπτευση με εξατομικευμένη βελτίωση, διαχείριση έκδοσης υποδείξεων και αξιολογητικές υπηρεσίες στο Vertex AI.
Είναι εφικτό, μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες να:
- Εφαρμόζουν τεχνικές βελτίωσης με επόπτευση για τα μοdel Gemini στο Vertex AI.
- Υλοποιούν ροές δουλειάς διαχείρισης υποδείξεων, περιλαμβανόντας έκδοση και δοκιμασία.
- Χρησιμοποιούν αξιολογητικές βιβλιοθήκες για τη σύγκριση και επιβεβαίωση της απόδοσης AI.
- Εφαρμόζουν και παρακολουθούν βελτιωμένα μοdel σε περιβάλλοντα παραγωγής.
Μορφή του Μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Εργασίες με το χέρι στον πίνακα με εργαλεία βελτίωσης και υποδείξεων Vertex AI.
- Εκδοχές ομάδων για την επιβεβαίωση μοdel πραγματικών επιχειρήσεων.
Επιλογές Προσαρμογής Μαθήματος
- Για να αιτηθείτε μια προσαρμοσμένη εκπαίδευση γι' αυτό το μάθημα, παρακαλώ επικοινωνήστε μαζί μας.
Advanced Techniques in Transfer Learning
14 ΏρεςΑυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες μηχανικής εκμάθησης προηγμένου επιπέδου που επιθυμούν να κατακτήσουν τις σύγχρονες τεχνικές μεταφοράς εκμάθησης και να τις εφαρμόσουν σε πολύπλοκα προβλήματα του πραγματικού κόσμου.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
- Κατανοήστε προηγμένες έννοιες και μεθοδολογίες στη μεταφορά μάθησης.
- Εφαρμογή τεχνικών προσαρμογής σε συγκεκριμένο τομέα για προεκπαιδευμένα μοντέλα.
- Εφαρμόστε συνεχή μάθηση για τη διαχείριση εξελισσόμενων εργασιών και συνόλων δεδομένων.
- Κατακτήστε τη λεπτομέρεια πολλαπλών εργασιών για να βελτιώσετε την απόδοση του μοντέλου σε όλες τις εργασίες.
Continual Learning and Model Update Strategies for Fine-Tuned Models
14 ΏρεςΑυτή η εκπαιδευτική διαμορφωτική εξέλιξη σε ύψιστου επιπέδου μηχανικής ανάγκης μηχανικών AI και MLOps επαγγελματίων, που δραστηριοποιούνται σε Ελλάδα (διαπολιτειακά ή υπό τον ίδιο τόπο), είναι στοχευμένη για εξειδικευμένους μηχανικούς AI και MLOps επαγγελματίες που θέλουν να εφαρμόσουν βιώσιμες διαρρήματα συνεχούς μάθησης και αποτελεσματικές στρατηγικές ενημέρωσης για τα υπολογιστικά, περιγεφυρωμένα μοντέλα.
Στο τέλος αυτής της εκπαιδεύσεως, οι συμμετέχοντες θα είναι ικανοί να:
- Σχεδιάζουν και εφαρμόζουν διαδικασίες συνεχούς μάθησης για τα υπολογιστικά μοντέλα.
- Ελαττώνουν την καταστροφική ξεχνημένη μέσω αυτόνομου εκπαιδεύσεως και διαχείρισης της μνήμης.
- Αυτοματοποιούν την έλεγχο και τους προκάλυψες ενημέρωσης βασισμένες στην αλλαγή των μοντέλων ή των δεδομένων.
- Ενσωματώνουν στρατηγικές ενημέρωσης των μοντέλων στις υπάρχουσες CI/CD και MLOps διαδίκτυα.
Ανάπτυξη Συμβατοποιημένων Μοντέλων σε Πραγματικό Περιβάλλον
21 ΏρεςΑυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες προηγμένου επιπέδου που επιθυμούν να αναπτύξουν βελτιωμένα μοντέλα αξιόπιστα και αποτελεσματικά.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
- Κατανοήστε τις προκλήσεις της ανάπτυξης βελτιωμένων μοντέλων στην παραγωγή.
- Δημιουργήστε κοντέινερ και αναπτύξτε μοντέλα χρησιμοποιώντας εργαλεία όπως Docker και Kubernetes.
- Εφαρμογή παρακολούθησης και καταγραφής για αναπτυγμένα μοντέλα.
- Βελτιστοποιήστε μοντέλα για καθυστέρηση και επεκτασιμότητα σε σενάρια πραγματικού κόσμου.
Domain-Specific Fine-Tuning για τη Φινάνσες
21 ΏρεςΑυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες μεσαίου επιπέδου που επιθυμούν να αποκτήσουν πρακτικές δεξιότητες στην προσαρμογή μοντέλων AI για κρίσιμες οικονομικές εργασίες.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
- Κατανόηση των θεμελιωδών αρχών της μικρορύθμισης για χρηματοοικονομικές εφαρμογές.
- Αξιοποιήστε προεκπαιδευμένα μοντέλα για εργασίες σε συγκεκριμένους τομείς στα χρηματοοικονομικά.
- Εφαρμόστε τεχνικές για τον εντοπισμό απάτης, την αξιολόγηση κινδύνου και τη δημιουργία οικονομικών συμβουλών.
- Διασφαλίστε τη συμμόρφωση με τους οικονομικούς κανονισμούς όπως το GDPR και το SOX.
- Εφαρμογή ασφάλειας δεδομένων και ηθικών πρακτικών τεχνητής νοημοσύνης σε χρηματοοικονομικές εφαρμογές.
Επιβεβαίωση Μοντέλων και Μεγάλων Λεξικομηχανικών Μοντέλων (LLMs)
14 ΏρεςΑυτή η ζωντανή εκπαίδευση στο Ελλάδα από εκπαιδευτές (διαδικτυακή ή επιτόπου) απευθύνεται σε επαγγελματίες μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να προσαρμόσουν προεκπαιδευμένα μοντέλα για συγκεκριμένες εργασίες και σύνολα δεδομένων.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
- Κατανόηση των αρχών της μικρορύθμισης και των εφαρμογών της.
- Προετοιμάστε σύνολα δεδομένων για βελτιστοποίηση προεκπαιδευμένων μοντέλων.
- Βελτιώστε τα μοντέλα μεγάλων γλωσσών (LLM) για εργασίες NLP.
- Βελτιστοποιήστε την απόδοση του μοντέλου και αντιμετωπίστε κοινές προκλήσεις.
Επιτοimenikopoίηση Πολυμεταβλητών Μοντέλων
28 ΏρεςΑυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακά ή επιτόπου) απευθύνεται σε επαγγελματίες προηγμένου επιπέδου που επιθυμούν να κατακτήσουν τη λεπτομέρεια πολυτροπικών μοντέλων για καινοτόμες λύσεις τεχνητής νοημοσύνης.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
- Κατανοήστε την αρχιτεκτονική πολυτροπικών μοντέλων όπως το CLIP και το Flamingo.
- Προετοιμάστε και προεπεξεργαστείτε αποτελεσματικά πολυτροπικά σύνολα δεδομένων.
- Βελτιώστε τα πολυτροπικά μοντέλα για συγκεκριμένες εργασίες.
- Βελτιστοποιήστε μοντέλα για εφαρμογές και επιδόσεις πραγματικού κόσμου.
Επιβεβαίωση για Φυσική Προσέγγιση Γλώσσας (NLP)
21 ΏρεςΑυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες μεσαίου επιπέδου που επιθυμούν να βελτιώσουν τα έργα τους NLP μέσω της αποτελεσματικής προσαρμογής προεκπαιδευμένων μοντέλων γλώσσας.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:
- Κατανοήστε τις βασικές αρχές της μικρορύθμισης για εργασίες NLP.
- Βελτιστοποιήστε τα προεκπαιδευμένα μοντέλα όπως τα GPT, BERT και T5 για συγκεκριμένες εφαρμογές NLP.
- Βελτιστοποιήστε τις υπερπαραμέτρους για βελτιωμένη απόδοση μοντέλου.
- Αξιολογήστε και αναπτύξτε τα τελειοποιημένα μοντέλα σε πραγματικά σενάρια.
Προσαρμογή Τεχνητής Νοημοσύνης για Παιχνίδια Μεγάλων Κινδύνων: Πρόβλεψη Κινδύνου και Ανίχνευση Παρανομίας
14 ΏρεςΑυτή η εκπαιδευτική διαδικασία, που υποστηρίζεται από εκπαιδευτικούς και λαμβάνει χώρα σε Ελλάδα (online ή on-site), διευθύνεται προς τους επίπεδα προηγμένων data scientists και AI engineers στον τραπεζικό τομέα οι οποίοι επιθυμούν να προσαρμόσουν μοντέλα για εφαρμογές όπως βελτίωση καταχώρησης δανείων, ανίχνευση παρανομίας και μοντελοποίηση ιδιαίτερου κινδύνου χρησιμοποιώντας δεδομένα του τραπεζικού τομέα.
Στο τέλος αυτής της εκπαιδευτικής διαδικασίας, οι συμμετέχοντες θα μπορούν να:
- Προσαρμόσουν τα μοντέλα ΤΕΝ σε datasets του τραπεζικού τομέα για βελτιωμένη πρόβλεψη παρανομίας και κινδύνου.
- Εφαρμένουν τεχνικές όπως transfer learning, LoRA, και regularization για να ενισχύσουν την αποδοτικότητα των μοντέλων.
- Ολοκληρώσουν τα συμφωνήματα πειθαρχίας και ρύθμισης στο workflow μοντελοποίησης ΤΕΝ.
- Διαθέσουν προσαρμοσμένα μοντέλα για χρήση σε εφαρμογές τραπεζικών πλατφόρμων.
Το Προσαρμόζοντας Τεχνητή Νοημοσύνη για την Υγεία: Ιατρική Διάγνωση και Προβλέψεις
14 ΏρεςΑυτή η εκπαίδευση με καθηγητή (online ή παρακειμένως) απευθύνεται σε ανάπτυξη τεχνολόγων AI στην υγεία και επιστήμονες δεδομένων με γνώσει προς τα προς ανάμεσα έως προηγμένου επιπέδου, που θέλουν να προσαρμόσουν μοντέλα για κλινική διάγνωση, πρόβλεψη ασθένειας και πρόβλεψη των αποτελεσμάτων των ασθενών χρησιμοποιώντας δομημένα και μη-δομημένα ιατρικά δεδομένα.
Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:
- Προσαρμόσουν τα μοντέλα AI σε datasets υγείας περιλαμβάνοντας EMRs, εικονική διάγνωση και δεδομένα χρονοσειρών.
- Εφαρμόζουν μεταφορική εκπαίδευση, προσαρμογή δομής και συμπίεση μοντέλων σε ιατρικά πλαίσια.
- Αντιμετωπίζουν την απόκρυψη, το υφαίνεται και τη συμμόρφωση με τη νομοθεσία στην ανάπτυξη μοντέλων.
- Κατασκευάζουν και επιβλέπουν προσαρμογμένα μοντέλα σε πραγματικά περιβάλλοντα υγείας.
Τετριγύρωση των DeepSeek LLM για Προσανατολισμένα Μοντέλα AI
21 ΏρεςΑυτή η εκπαιδευτική, ζωντανή εκπαιδευτική μάθηση σε Ελλάδα (μέσω διαδίκτου ή σε χώρο προσωπικής παρουσίας) είναι προσανατολισμένη σε επαγγελματίες αυξημένου επιπέδου ιατρικής και μηχανικών μάθησης, καθώς και σε προγραμματιστές που θέλουν να αποδοτικά προσαρμόσουν τα μοντέλα DeepSeek LLM για να δημιουργήσουν ειδικοποιημένες ικανότητες AI που συμβάλλουν σε κάθε γνωστική, τομέα ή ανάγκες επιχείρησης.
Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:
- Ποντάρουν τη δομή και τις δυνατότητες των μοντέλων DeepSeek, συμπεριλαμβανομένων των DeepSeek-R1 και DeepSeek-V3.
- Παρασκευάζουν δεδομένα και προεπεξεργάζονται τα δεδομένα για την προσαρμόσεις.
- Προσαρμόσουν τα μοντέλα DeepSeek LLM για εφαρμογές αποδοτικής προσαρμόσεως.
- Ορθοποιήσουν και εγκαταστήσουν αποδοτικά τα μοντέλα προσαρμόσεως.
Επιβεβαίωση Τεχνητής Δικαιοσύνης Άμυνας για Αυτόνομα Συστήματα και Επίβλεψη
14 ΏρεςΑυτή η εκπαιδευτικός-μεσωπος, ζωντανός διαμόρφωσης στο Ελλάδα (online ή έξω από το πρόγραμμα) είναι στοχευμένη για προειδοποιημένους μηχανικούς AI όπλων και αναπτυξτές τεχνολογίας στρατός που θέλουν να εισαγάγουν βαθιές μάθηση μοντέλων για χρήση σε αυτόνομα κινητά, δρονες και συστήματα επίβλεψης ενώ πληρούν ακριβείς απαιτήσεις ασφαλείας και βεβαιότητας.
Ατέλεστο του αυτή διάμορφωση, οι συμμετέχοντες θα μπορούν να:
- Επεξεργάζονται μοντέλα επίβλεψης υπολογιστή και συνδυασμό αισθητηριών για καθηκόντα επίβλεψης και επίλεξη.
- Αναπτύσσουν αυτόνομα AI συστήματα για μεταβαλλόμενες περιβάλλοντα και προφίλ εκδηλώσεων.
- Προσαρμόζουν υποστηριξτικές συνθήκες επαλήθευσης και ασφαλώς μηχανισμούς σε ποδηλάτους μοντέλων.
- Σιγουροποιήστε την συμβαθότητα με ειδικές ασφάλειας, ασφαλιστικές και ασφαλείας πρότυπα οχήματος.
Προσαρμογή Νοηματικών Μοντέλων Νομικής: Έλεγχος Συμβάσεων και Νομική Έρευνα
14 ΏρεςΑυτή η εκπαίδευση με δάσκαλο, ζωντανή (online ή on-site), απευθύνεται σε νομικούς τεχνολόγους και προγραμματιστές ΤΝ μεταξύ διαφορών επιπέδων, που επιθυμούν να προσαρμόσουν γλωσσικά μοντέλα σε καθήκοντα όπως η ανάλυση συμβάσεων, η εξαγωγή τύπων και η αυτόματη νομική έρευνα σε περιβάλλοντα υπηρεσιών δίκαιου.
Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:
- Ετοιμάσουν και καθαρίσουν νομικά εγγράφη για την προσαρμογή μοντέλων NLP.
- Εφαρμόζουν στρатегίες προσαρμογής για τη βελτίωση της ακρίβειας των μοντέλων σε νομικά καθήκοντα.
- Εφαρμόζουν τα μοντέλα για τη βοήθεια στην ανάλυση, την κατηγοριοποίηση και την έρευνα συμβάσεων.
- Διασφαλίζουν την πολυτέλεια, τη διευθετικότητα και την απαριθμητική εξατομικοποίηση των έξοδων AI σε νομικά πλαίσια.
Fine-Tuning Μεγάλα Λογισμικό Προτύπων Χρησιμοποιώντας QLoRA
14 ΏρεςΑυτή η εκπαίδευση με οδηγό σε ύψιστη ζώνη (online ή αποδοχάριθμη) προσβλέπει σε μηχανικούς εξειδίκευσης μάशιν-λέρνινγκ, αναπτυκτές AI και επιστήμονες δεδομένων που θέλουν να μάθουν πώς να χρησιμοποιήσουν το QLoRA για αποτελεσματική εφαρμογή μεγάλων μο델 συγκεκριμένων υποθέσεων και προσαρμογών.
Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:
- Καταλάβουν τη θεωρία πίσω από το QLoRA και τις τεχνικές εκτιμήσεων για LLMs.
- Εφαρμόσουν το QLoRA στην εφαρμογή μεγάλων λεξικολογικών μοδέλων για προσβλέπουσες εφαρμογές.
- Οικονομοποιήσουν την απόδοση εφαρμογής σε περιορισμένα υπολογιστικά πόρα με τη χρήση των τεχνικών εκτιμήσεων.
- Ανάπτυξαν και αξιολογήσαν οικοδομημένα μοντέλα σε πραγματικό περιβάλλον εφαρμογών αποτελεσματικά.
Fine-Tuning Lightweight Models for Edge AI Deployment
14 ΏρεςΑυτή η εκπαίδευση, η οποία υπόκειται σε εξέταση από τον δάσκαλο και πραγματοποιείται ζωντανά στο Ελλάδα (online ή χώρου), απευθύνεται σε μεσοβάθμιου επιπέδου δημιουργούς ενσωματωμένης τεχνητής νοημοσύνης και εξειδικευμένους στη υπολογιστικότητα του περιθωρίου, οι οποίοι επιθυμούν να προσαρμόσουν και να βελτιώσουν ελαφρά μοντέλα τεχνητής νοημοσύνης για διαθεσιμότητα σε πλατφόρμες υπολογιστικότητας.
Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:
- Εξελέγξουν και προσαρμόσουν προεκπαιδευμένα μοντέλα που είναι κατάλληλα για τη διαθεσιμότητα στο περιθώριο.
- Εφαρμένουν τεχνικές κβαντικοποίησης, προσδρομής, και άλλες μεθόδους συμπίεσης για να μειώσουν το μέγεθος των μοντέλων και τη χρονοβάθμη.
- Προσαρμόσουν τα μοντέλα χρησιμοποιώντας μεταφορά εκπαίδευσης για επιβεβαιωμένη απόδοση σε συγκεκριμένους χώρους δράσης.
- Διαθέτουν βελτιωμένα μοντέλα σε πραγματικές πλατφόρμες υπολογιστικότητας του περιθωρίου.