Course Outline

Εισαγωγή σε LLMs και Generative AI

  • Διερεύνηση τεχνικών και μοντέλων
  • Συζήτηση εφαρμογών και περιπτώσεων χρήσης
  • Εντοπισμός προκλήσεων και περιορισμών

Χρήση LLM για Εργασίες NLU

  • Ανάλυση συναισθήματος
  • Αναγνώριση ονομαστικής οντότητας
  • Εξαγωγή σχέσης
  • Σημασιολογική ανάλυση

Χρήση LLM για Εργασίες NLI

  • Ανίχνευση συνεπειών
  • Ανίχνευση αντιφάσεων
  • Ανίχνευση παράφρασης

Χρήση LLM για Γραφήματα Γνώσης

  • Εξαγωγή γεγονότων και σχέσεων από το κείμενο
  • Εξαγωγή γεγονότων που λείπουν ή νέα
  • Χρήση γραφημάτων γνώσης για εργασίες κατάντη

Χρήση LLM για κοινή λογική

  • Δημιουργία εύλογων εξηγήσεων, υποθέσεων και σεναρίων
  • Χρήση βάσεων γνώσεων και συνόλων δεδομένων κοινής λογικής
  • Αξιολόγηση της κοινής λογικής

Χρήση LLM για τη δημιουργία διαλόγου

  • Δημιουργία διαλόγων με συνομιλητές, chatbot και εικονικούς βοηθούς
  • Διαχείριση διαλόγων
  • Χρήση συνόλων δεδομένων διαλόγου και μετρήσεων

Χρήση LLM για Πολυτροπική Δημιουργία

  • Δημιουργία εικόνων από κείμενο
  • Δημιουργία κειμένου από εικόνες
  • Δημιουργία βίντεο από κείμενο ή εικόνες
  • Δημιουργία ήχου από κείμενο
  • Δημιουργία κειμένου από ήχο
  • Δημιουργία τρισδιάστατων μοντέλων από κείμενο ή εικόνες

Χρήση LLM για Meta-Learning

  • Προσαρμογή LLM σε νέους τομείς, εργασίες ή γλώσσες
  • Μαθαίνοντας από παραδείγματα με λίγες ή μηδενικές λήψεις
  • Χρησιμοποιώντας μετα-μάθηση και μεταφορά συνόλων δεδομένων και πλαισίων μάθησης

Χρήση LLMs για Adversarial Learning

  • Προστασία των LLM από κακόβουλες επιθέσεις
  • Ανίχνευση και μετριασμός προκαταλήψεων και σφαλμάτων σε LLMs
  • Χρήση συνόλων δεδομένων και μεθόδων αντίθετης μάθησης και ευρωστίας

Αξιολόγηση LLMs και Generative AI

  • Αξιολόγηση της ποιότητας και της ποικιλομορφίας του περιεχομένου
  • Χρησιμοποιώντας μετρήσεις όπως η βαθμολογία έναρξης, η απόσταση έναρξης Fréchet και η βαθμολογία BLEU
  • Χρήση μεθόδων ανθρώπινης αξιολόγησης όπως crowdsourcing και έρευνες
  • Χρήση μεθόδων αξιολόγησης αντιπάλου όπως τα τεστ Turing και οι διακρίσεις

Εφαρμογή Αρχών Δεοντολογίας για LLM και Generative AI

  • Διασφάλιση δικαιοσύνης και λογοδοσίας
  • Αποφυγή κακής χρήσης και κατάχρησης
  • Σεβασμός των δικαιωμάτων και της ιδιωτικής ζωής των δημιουργών περιεχομένου και των καταναλωτών
  • Προώθηση της δημιουργικότητας και της συνεργασίας ανθρώπου και τεχνητής νοημοσύνης

Περίληψη και Επόμενα Βήματα

Requirements

  • Κατανόηση βασικών εννοιών και ορολογίας AI
  • Εμπειρία στον προγραμματισμό Python και στην ανάλυση δεδομένων
  • Εξοικείωση με πλαίσια βαθιάς μάθησης όπως TensorFlow ή PyTorch
  • Κατανόηση των βασικών μαθημάτων LLM και των εφαρμογών τους

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Προγραμματιστές AI
  • Λάτρεις της τεχνητής νοημοσύνης
 21 Hours

Number of participants



Price per participant

Testimonials (1)

Related Courses

NLP with Python and TextBlob

14 Hours

Scaling Data Pipelines with Spark NLP

14 Hours

LLMs for Sentiment Analysis

21 Hours

Generative AI with Large Language Models (LLMs)

21 Hours

Google Gemini AI for Transformative Customer Service

14 Hours

LlamaIndex: Developing LLM Powered Applications

42 Hours

Related Categories