Plan Szkolenia

Wprowadzenie do Prompt Engineering

  • Czym jest szybka inżynieria?
  • Znaczenie szybkiego projektowania w LLM
  • Porównanie podejść zero-shot, one-shot i few-shot

Projektowanie skutecznych podpowiedzi

  • Zasady tworzenia wysokiej jakości podpowiedzi
  • Eksperymentowanie z różnymi podpowiedziami
  • Typowe wyzwania w projektowaniu podpowiedzi

Dostrajanie kilku podpowiedzi

  • Przegląd uczenia się metodą kilku strzałów
  • Zastosowania w adaptacji LLM specyficznej dla zadania
  • Integracja przykładów typu few-shot z podpowiedziami

Praktyczne zastosowanie narzędzi Prompt Engineering

  • Używanie OpenAI API do eksperymentowania z podpowiedziami
  • Eksplorowanie projektu podpowiedzi za pomocą Hugging Face Transformers
  • Ocena wpływu wariantów podpowiedzi

Optymalizacja wydajności LLM

  • Ocena wyników i udoskonalanie podpowiedzi
  • Uwzględnianie kontekstu w celu uzyskania lepszych wyników
  • Radzenie sobie z niejednoznacznością i stronniczością w odpowiedziach LLM

Zastosowania Prompt Engineering

  • Generowanie i podsumowywanie tekstu
  • Analiza nastrojów i klasyfikacja
  • Kreatywne pisanie i generowanie kodu

Wdrażanie rozwiązań opartych na podpowiedziach

  • Integracja podpowiedzi z aplikacjami
  • Monitorowanie wydajności i skalowalności
  • Studia przypadków i rzeczywiste przykłady

Podsumowanie i kolejne kroki

Wymagania

  • Podstawowe zrozumienie przetwarzania języka naturalnego (NLP)
  • Znajomość programowania Python
  • Doświadczenie z dużymi modelami językowymi (LLM) jest dodatkowym atutem

Uczestnicy

  • Programiści AI
  • Inżynierowie NLP
  • Praktycy uczenia maszynowego
 14 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie