Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

Εισαγωγή στα LLMs και τη Γενετική Τεχνητή Νοημοσύνη

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

Χρήση LLMs για εργασίες NLU

  • Ανάλυση συναισθήματος
  • Αναγνώριση ονομαστικών οντοτήτων
  • Εξαγωγή σχέσεων
  • Σημασιολογική ανάλυση

Χρήση LLMs για εργασίες NLI

  • Ανίχνευση συνεπαγωγής
  • Ανίχνευση αντίφασης
  • Ανίχνευση παράφρασης

Χρήση LLMs για γράφους γνώσης

  • Εξαγωγή γεγονότων και σχέσεων από κείμενο
  • Εξαγωγή συμπερασμάτων για ελλιπή ή νέα γεγονότα
  • Χρήση γράφων γνώσης για επόμενες εργασίες

Χρήση LLMs για λογική συλλογιστική κοινών γνώσεων

  • Παραγωγή εύλογων εξηγήσεων, υποθέσεων και σεναρίων
  • Χρήση βάσεων γνώσης κοινών γνώσεων και συνόλων δεδομένων
  • Αξιολόγηση λογικής συλλογιστικής κοινών γνώσεων

Χρήση LLMs για παραγωγή διαλόγων

  • Παραγωγή διαλόγων με συνομιλητικούς πράκτορες, chatbots και εικονικούς βοηθούς
  • Διαχείριση διαλόγων
  • Χρήση συνόλων δεδομένων διαλόγων και μετρικών

Χρήση LLMs για πολυτροπική παραγωγή

  • Παραγωγή εικόνων από κείμενο
  • Παραγωγή κειμένου από εικόνες
  • Παραγωγή βίντεο από κείμενο ή εικόνες
  • Παραγωγή ήχου από κείμενο
  • Παραγωγή κειμένου από ήχο
  • Παραγωγή 3D μοντέλων από κείμενο ή εικόνες

Χρήση LLMs για μετα-μάθηση

  • Προσαρμογή των LLMs σε νέους τομείς, εργασίες ή γλώσσες
  • Μάθηση από λίγα ή μηδενικά παραδείγματα
  • Χρήση συνόλων δεδομένων μετα-μάθησης και μεταφοράς μάθησης και πλαισίων

Χρήση LLMs για ανταγωνιστική μάθηση

  • Υπεράσπιση των LLMs από κακόβουλες επιθέσεις
  • Ανίχνευση και μετριασμός προκαταλήψεων και σφαλμάτων στα LLMs
  • Χρήση ανταγωνιστικής μάθησης και συνόλων δεδομένων ανθεκτικότητας και μεθόδων

Αξιολόγηση LLMs και γενετικής τεχνητής νοημοσύνης

  • Εκτίμηση ποιότητας και ποικιλίας περιεχομένου
  • Χρήση μετρικών όπως inception score, Fréchet inception distance και BLEU score
  • Χρήση μεθόδων ανθρώπινης αξιολόγησης όπως crowdsourcing και έρευνες
  • Χρήση ανταγωνιστικών μεθόδων αξιολόγησης όπως δοκιμές Turing και διαχωριστές

Εφαρμογή ηθικών αρχών για LLMs και γενετική τεχνητή νοημοσύνη

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

Περίληψη και επόμενα βήματα

Απαιτήσεις

  • Κατανόηση βασικών εννοιών και ορολογίας της τεχνητής νοημοσύνης
  • Εμπειρία στον προγραμματισμό Python και ανάλυση δεδομένων
  • Εξοικείωση με πλαίσια βαθιάς μάθησης όπως TensorFlow ή PyTorch
  • Κατανόηση των βασικών αρχών των LLMs και των εφαρμογών τους

Κοινό

  • Επιστήμονες δεδομένων
  • Προγραμματιστές τεχνητής νοημοσύνης
  • Λάτρεις της τεχνητής νοημοσύνης
 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Εφεξής Μαθήματα

Σχετικές Κατηγορίες