Schulungsübersicht

Einführung in die erweiterte Modell-Anpassung

  • Überblick über Feinabstimmung und Prompt-Management in Vertex AI
  • Anwendungsfälle für Modelloptimierung
  • Praxis-Lab: Einrichten der Vertex-AI Arbeitsumgebung

Supervised Fine-Tuning von Gemini-Modellen

  • Vorbereitung des Trainingsdatensatzes für die Feinabstimmung
  • Ausführen von Supervised-Fine-Tuning-Pipelines
  • Praxis-Lab: Feinabstimmung eines Gemini-Modells

Prompt Engineering und Versionsverwaltung

  • Gestaltung effektiver Prompts für generative AI
  • Versionskontrolle und Wiederholbarkeit
  • Praxis-Lab: Erstellen und Testen von Prompt-Varianten

Abschätzung und Benchmarking

  • Überblick über Evaluationsbibliotheken in Vertex AI
  • Automatisierung von Test- und Validierungsworkflows
  • Praxis-Lab: Evaluieren von Prompts und Ausgaben

ModellDeployment und Überwachung

  • Integration optimierter Modelle in Anwendungen
  • Überwachen der Leistung und Drift-Detektion
  • Praxis-Lab: Deployment eines feinjustierten Modells

Beste Praktiken für die Enterprise-AI-Optimierung

  • Skalierbarkeit und Kostenmanagement
  • Ethische Überlegungen und Bias-Mitigation
  • Fallstudie: Verbesserung von AI-Anwendungen in der Produktion

Zukünftige Richtungen bei Feinabstimmung und Prompt-Management

  • Neueste Trends bei LLM-Optimierung
  • Automatisches Anpassen von Prompts und Reinforcement-Learning
  • Strategische Implikationen für die Unternehmensadoption

Zusammenfassung und Nächste Schritte

Voraussetzungen

  • Erfahrung mit maschinelles Lernen Workflows
  • Kenntnisse der Python-Programmierung
  • Bekanntschaft mit cloudbasierten KI-Plattformen

Zielgruppe

  • KI-Ingenieure
  • MLops-Praktiker
  • Datenscientisten
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien