Kontakt aufnehmen

Schulungsübersicht

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

Voraussetzungen

  • Grundverständnis der wichtigsten KI-Konzepte und -Terminologie
  • Erfahrung mit Python-Programmierung und Datenanalyse
  • Vertrautheit mit Deep-Learning-Frameworks wie TensorFlow oder PyTorch
  • Grundlagenwissen über LLMs und deren Anwendungen

Zielgruppe

  • Datenwissenschaftlerinnen und -wissenschaftler
  • KI-Entwicklerinnen und -entwickler
  • KI-Enthusiastinnen und -enthusiasten
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien