Schulungsübersicht

Einführung in LLMs und generative KI

  • Erforschung von Techniken und Modellen
  • Erörterung von Anwendungen und Anwendungsfällen
  • Identifizierung von Herausforderungen und Grenzen

Verwendung von LLMs für NLU-Aufgaben

  • Sentiment-Analyse
  • Erkennung benannter Entitäten
  • Extraktion von Relationen
  • Semantisches Parsing

Verwendung von LLMs für NLI-Aufgaben

  • Entailment-Erkennung
  • Erkennung von Widersprüchen
  • Erkennung von Paraphrasen

Verwendung von LLMs für Wissensgraphen

  • Extrahieren von Fakten und Beziehungen aus Text
  • Ableiten von fehlenden oder neuen Fakten
  • Verwendung von Wissensgraphen für nachgelagerte Aufgaben

Verwendung von LLMs für Commonsense Reasoning

  • Generierung plausibler Erklärungen, Hypothesen und Szenarien
  • Verwendung von Commonsense-Wissensbasen und -Datensätzen
  • Evaluierung von Commonsense Reasoning

Verwendung von LLMs für die Dialoggenerierung

  • Generierung von Dialogen mit Konversationsagenten, Chatbots und virtuellen Assistenten
  • Verwaltung von Dialogen
  • Verwendung von Dialogdatensätzen und Metriken

Verwendung von LLMs für multimodale Generierung

  • Generierung von Bildern aus Text
  • Generierung von Text aus Bildern
  • Generierung von Videos aus Text oder Bildern
  • Generierung von Audio aus Text
  • Generierung von Text aus Audio
  • Generierung von 3D-Modellen aus Text oder Bildern

Verwendung von LLMs für Meta-Lernen

  • Anpassung von LLMs an neue Domänen, Aufgaben oder Sprachen
  • Lernen aus Beispielen mit wenigen oder gar keinen Aufnahmen
  • Verwendung von Meta-Learning- und Transfer-Learning-Datensätzen und -Rahmenwerken

Verwendung von LLMs für adversariales Lernen

  • Verteidigung von LLMs gegen bösartige Angriffe
  • Erkennen und Abschwächen von Verzerrungen und Fehlern in LLMs
  • Verwendung von Datensätzen und Methoden für adversariales Lernen und Robustheit

Evaluierung von LLMs und generativer KI

  • Bewertung der Qualität und Vielfalt von Inhalten
  • Verwendung von Metriken wie Inception Score, Fréchet Inception Distance und BLEU Score
  • Verwendung von menschlichen Bewertungsmethoden wie Crowdsourcing und Umfragen
  • Verwendung von kontradiktorischen Bewertungsmethoden wie Turing-Tests und Diskriminatoren

Anwendung ethischer Grundsätze für LLMs und generative KI

  • Sicherstellung von Fairness und Verantwortlichkeit
  • Vermeidung von Missbrauch und Zweckentfremdung
  • Respektierung der Rechte und der Privatsphäre von Inhaltserstellern und Verbrauchern
  • Förderung der Kreativität und Zusammenarbeit von Menschen und KI

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis grundlegender KI-Konzepte und -Terminologie
  • Erfahrung mit Python Programmierung und Datenanalyse
  • Vertrautheit mit Deep-Learning-Frameworks wie TensorFlow oder PyTorch
  • Ein Verständnis der Grundlagen von LLMs und deren Anwendungen

Zielgruppe

  • Datenwissenschaftler
  • KI-Entwickler
  • KI-Enthusiasten
 21 Stunden

Teilnehmerzahl



Preis je Teilnehmer

Erfahrungsberichte (1)

Kombinierte Kurse

Verwandte Kategorien