Advanced LLMs for NLP Tasks

• 了解基本的 AI 概念和术语
• 具有 Python 编程和数据分析经验
• 熟悉深度学习框架，如 TensorFlow 或 PyTorch
• 了解 LLM 的基础知识及其应用

观众

• 数据科学家
• AI 开发人员
• 人工智能爱好者

大型语言模型 （LLM） 是可以处理和生成大量自然语言数据（如文本、语音和音频）的 AI 模型。LLM 可以学习其输入训练数据的模式和结构，然后生成具有相似特征的新数据。LLM 还可以执行各种自然语言处理 （NLP） 任务，例如自然语言理解 （NLU）、自然语言推理 （NLI）、知识图谱构建和完成、常识推理、对话生成和管理以及多模态生成和理解。

这种由讲师指导的现场培训（在线或远程）面向希望使用 LLM 执行各种 NLP 任务并为不同目的创建新颖多样内容的中级数据科学家、AI 开发人员和 AI 爱好者。

在培训结束时，参与者将能够：

• 使用 LLM 和基本工具建立开发环境。
• 使用 LLM 熟练地执行 NLU 和 NLI 任务。
• 有效地提取、推断和利用知识图谱。
• 使用 LLM 为对话应用程序生成和管理对话。
• 评估 LLM 和生成式 AI 生成的内容质量和多样性。
• 应用道德原则，确保公平和负责任地使用法学硕士。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在现场实验室环境中动手实施。

课程定制选项

• 如需申请本课程的定制培训，请联系我们安排。

LLM 和生成式 AI 简介

• 探索技术和模型
• 讨论应用程序和用例
• 确定挑战和局限性

将 LLM 用于 NLU 任务

• 情绪分析
• 命名实体识别
• 关系提取
• 语义解析

将 LLM 用于 NLI 任务

• 蕴涵检测
• 矛盾检测
• 释义检测

将 LLM 用于知识图谱

• 从文本中提取事实和关系
• 推断缺失或新的事实
• 将知识图谱用于下游任务

使用 LLM 进行常识推理

• 生成合理的解释、假设和场景
• 使用常识性知识库和数据集
• 评估常识推理

使用 LLM 生成对话

• 与对话代理、聊天机器人和虚拟助手生成对话
• 管理对话
• 使用对话数据集和指标

使用 LLM 进行多模态生成

• 从文本生成图像
• 从图像生成文本
• 从文本或图像生成视频
• 从文本生成音频
• 从音频生成文本
• 从文本或图像生成 3D 模型

使用 LLM 进行元学习

• 使 LLM 适应新的领域、任务或语言
• 从小样本或零样本示例中学习
• 使用元学习和迁移学习数据集和框架

使用 LLM 进行对抗性学习

• 保护 LLM 免受恶意攻击
• 检测和减轻 LLM 中的偏差和错误
• 使用对抗性学习和鲁棒性数据集和方法

评估 LLM 和生成式 AI

• 评估内容质量和多样性
• 使用初始分数、Fréchet 初始距离和 BLEU 分数等指标
• 使用众包和调查等人工评估方法
• 使用对抗性评估方法，如图灵测试和鉴别器

将伦理原则应用于 LLM 和生成式 AI

• 确保公平和问责制
• 避免误用和滥用
• 尊重内容创作者和消费者的权利和隐私
• 促进人类和人工智能的创造力和协作

摘要和后续步骤