Fortgeschrittene LLMs für NLP-Aufgaben Schulung

Einführung in LLMs und Generative AI

• Erkunden von Techniken und Modellen
• Diskutieren von Anwendungen und Use Cases
• Identifizieren von Herausforderungen und Einschränkungen

Nutzung von LLMs für NLU-Aufgaben

• Sentimentanalyse
• Named Entity Recognition (NER)
• Relations-Extraktion
• Semantische Parsung

Nutzung von LLMs für NLI-Aufgaben

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

Nutzung von LLMs für Wissensgraphen

• Extrahieren von Fakten und Relationen aus Texten
• Erschliessen fehlender oder neuer Fakten
• Nutzen von Wissensgraphen für nachgelagerte Aufgaben

Nutzung von LLMs für Alltagslogik (Commonsense Reasoning)

• Generieren plausibler Erklärungen, Hypothesen und Szenarien
• Nutzen von Wissensbasen und Datensätzen zur Alltagslogik
• Bewerten der Alltagslogik

Nutzung von LLMs für Dialoggenerierung

• Generieren von Dialogen mit Konversationsagenten, Chatbots und virtuellen Assistenten
• Verwalten von Dialogverläufen
• Nutzen von Dialogdatensätzen und Metriken

Nutzung von LLMs für multimodale Generierung

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

Nutzung von LLMs für Meta-Learning

• Anpassen von LLMs an neue Domänen, Aufgaben oder Sprachen
• Lernen anhand von Few-Shot- oder Zero-Shot-Beispielen
• Nutzen von Datensätzen und Frameworks für Meta-Learning und Transfer Learning

Nutzung von LLMs für Adversarial Learning

• Schutz von LLMs vor bösartigen Angriffen
• Erkennen und Milderung von Verzerrungen und Fehlern in LLMs
• Nutzen von Datensätzen und Methoden für adversariales Lernen und Robustheit

Bewertung von LLMs und Generative AI

• Bewerten der Inhaltqualität und Vielfalt
• Nutzen von Metriken wie Inception Score, Fréchet Inception Distance und BLEU-Score
• Nutzen menschlicher Bewertungsmethoden wie Crowdsourcing und Umfragen
• Nutzen adversarialer Bewertungsmethoden wie Turing-Tests und Diskriminatoren

Umsetzung ethischer Prinzipien für LLMs und Generative AI

• Sicherstellen von Fairness und Rechenschaftspflicht
• Vermieden von Missbrauch und falscher Anwendung
• Achtung der Rechte und Privatsphäre von Erstellerinnen und Erziehern sowie Konsumentinnen und Konsumenten von Inhalten
• Förderung der Kreativität und Zusammenarbeit zwischen Mensch und KI

Zusammenfassung und nächste Schritte