Kontakt aufnehmen

Schulungsübersicht

Einführung in die erweiterte Modellanpassung

  • Übersicht über Feintuning und Prompt-Management in Vertex AI
  • Anwendungsfälle für die Modelloptimierung
  • Praktisches Lab: Einrichten des Vertex-AI-Arbeitsbereichs

Überwachtes Feintuning von Gemini-Modellen

  • Vorbereitung der Trainingsdaten für das Feintuning
  • Ausführen von Pipelines für überwachtes Feintuning
  • Praktisches Lab: Feintuning eines Gemini-Modells

Prompt-Engineering und Versionsverwaltung

  • Gestaltung effektiver Prompts für generative KI
  • Versionierung und Reproduzierbarkeit
  • Praktisches Lab: Erstellung und Testen von Prompt-Versionen

Evaluierung und Benchmarking

  • Übersicht über Evaluierungsbibliotheken in Vertex AI
  • Automatisierung von Test- und Validierungs-Workflows
  • Praktisches Lab: Evaluierung von Prompts und Ausgaben

Deployment und Überwachung von Modellen

  • Integration optimierter Modelle in Anwendungen
  • Überwachung der Leistung und Erkennung von Drift
  • Praktisches Lab: Deployment eines feinjustierten Modells

Best Practices für die unternehmensnahe KI-Optimierung

  • Skalierbarkeit und Kostenmanagement
  • Ethische Aspekte und Minderung von Verzerrungen
  • Fallstudie: Verbesserung von KI-Anwendungen in der Produktion

Zukünftige Entwicklungen im Feintuning und Prompt-Management

  • Neue Trends in der Optimierung von LLMs
  • Automatisierte Prompt-Anpassung und Reinforcement Learning
  • Strategische Implikationen für die unternehmensnahe Einführung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Erfahrung mit Machine-Learning-Workflows
  • Kenntnisse in Python-Programmierung
  • Vertrautheit mit cloudbasierten KI-Plattformen

Zielgruppe

  • KI-Ingenieure
  • MLOps-Praktiker
  • Wissenschaftler für Daten (Data Scientists)
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien