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 14 Ώρες
Εξέλιξη Κομματιού
Εισαγωγή
- Τι είναι τα Μεγάλα Γλωσσικά Μοντέλα (LLMs);
- LLMs έναντι παραδοσιακών μοντέλων NLP
- Επισκόπηση των χαρακτηριστικών και της αρχιτεκτονικής των LLMs
- Προκλήσεις και περιορισμοί των LLMs
Κατανόηση των LLMs
- Ο κύκλος ζωής ενός LLM
- Πώς λειτουργούν τα LLMs
- Τα κύρια συστατικά ενός LLM: encoder, decoder, attention, embeddings, κ.λπ.
Ξεκινώντας
- Ρύθμιση του περιβάλλοντος ανάπτυξης
- Εγκατάσταση ενός LLM ως εργαλείο ανάπτυξης, π.χ. Google Colab, Hugging Face
Εργασία με LLMs
- Εξερεύνηση των διαθέσιμων επιλογών LLM
- Δημιουργία και χρήση ενός LLM
- Προσαρμογή (fine‑tuning) ενός LLM σε ένα προσαρμοσμένο σύνολο δεδομένων
Σύνοψη Κειμένου
- Κατανόηση της εργασίας της σύνοψης κειμένου και των εφαρμογών της
- Χρήση ενός LLM για εξαγωγική και αφηρηματική σύνοψη κειμένου
- Αξιολόγηση της ποιότητας των παραγόμενων περιλήψεων χρησιμοποιώντας μετρικές όπως ROUGE, BLEU, κ.λπ.
Απάντηση Ερωτήσεων
- Κατανόηση της εργασίας της απάντησης ερωτήσεων και των εφαρμογών της
- Χρήση ενός LLM για απάντηση ερωτήσεων ανοικτού και κλειστού τομέα
- Αξιολόγηση της ακρίβειας των παραγόμενων απαντήσεων χρησιμοποιώντας μετρικές όπως F1, EM, κ.λπ.
Παραγωγή Κειμένου
- Κατανόηση της εργασίας της παραγωγής κειμένου και των εφαρμογών της
- Χρήση ενός LLM για υπό συνθήκη και χωρίς συνθήκη παραγωγή κειμένου
- Έλεγχος του ύφους, του τόνου και του περιεχομένου των παραγόμενων κειμένων χρησιμοποιώντας παραμέτρους όπως temperature, top‑k, top‑p, κ.λπ.
Ενσωμάτωση LLMs με άλλα πλαίσια και πλατφόρμες
- Χρήση LLMs με PyTorch ή TensorFlow
- Χρήση LLMs με Flask ή Streamlit
- Χρήση LLMs με Google Cloud ή AWS
Αντιμετώπιση προβλημάτων
- Κατανόηση των συνηθισμένων σφαλμάτων και bugs στα LLMs
- Χρήση του TensorBoard για παρακολούθηση και οπτικοποίηση της διαδικασίας εκπαίδευσης
- Χρήση του PyTorch Lightning για απλοποίηση του κώδικα εκπαίδευσης και βελτίωση της απόδοσης
- Χρήση του Hugging Face Datasets για φόρτωση και προεπεξεργασία των δεδομένων
Σύνοψη και Επόμενα Βήματα
Απαιτήσεις
- Κατανόηση επεξεργασίας φυσικής γλώσσας και βαθιάς μάθησης
- Εμπειρία με Python και PyTorch ή TensorFlow
- Βασική εμπειρία προγραμματισμού
Κοινό
- Προγραμματιστές
- Λάτρεις της επεξεργασίας φυσικής γλώσσας (NLP)
- Επιστήμονες δεδομένων
