Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems - Plan Szkolenia
Fine-Tuning dla systemów generacji z uzupełnieniem pobierania (RAG) jest procesem optymalizacji sposobu, w jaki duże modele językowe pobierają i generują odpowiednie informacje z zewnętrznych źródeł dla aplikacji przedsiębiorstw.
To prowadzone przez instruktora szkolenie na żywo (online lub stacjonarne) jest przeznaczone dla inżynierów NLP na poziomie średnim oraz zespołów zarządzania wiedzą, którzy chcą dostroić wyzwalacze RAG, aby poprawić wydajność w przypadku odpowiedzi na pytania, wyszukiwania w przedsiębiorstwie i zastosowań dotyczących skracania.
Po zakończeniu tego szkolenia uczestnicy będą mogli:
- Zrozumieć architekturę i przepływ pracy systemów RAG.
- Dostosować komponenty pobierania i generowania do danych specyficznych dla danej dziedziny.
- Oceniać wydajność RAG i wprowadzać poprawki za pomocą technik PEFT.
- Wdrażać zoptymalizowane systemy RAG do użycia wewnętrznego lub produkcyjnego.
Format kursu
- Interaktywna wykład i dyskusja.
- Wiele ćwiczeń i praktyki.
- Ręczna implementacja w środowisku live-lab.
Opcje dostosowania kursu
- Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby ułożyć.
Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan Szkolenia
Wprowadzenie do Generowania z Uzupełnieniem Odbiorczym (RAG) Czym jest RAG i dlaczego jest istotne dla sztucznej inteligencji w przedsiębiorstwach Składniki systemu RAG: odzyskiwacz, generator, magazyn dokumentów Porównanie z niezależnymi modelami LLM i wyszukiwaniem wektorowymUstawienie potoku RAG Instalowanie i konfigurowanie Haystack lub podobnych ram Wprowadzanie i przetwarzanie dokumentów Łączenie odzyskiwaczy z bazami danych wektorowymi (np. FAISS, Pinecone)Fine-Tuning Odzyskiwacz Trenowanie gęstych odzyskiwaczy za pomocą danych specyficznych dla dziedziny Używanie transformatorów zdaniowych i uczenia kontrastowego Ocena jakości odzyskiwacza z dokładnością top-kFine-Tuning Generator Wybór modeli bazowych (np. BART, T5, FLAN-T5) Dostosowanie instrukcji vs. nadzorowane dostosowywanie Metody LoRA i PEFT dla efektywnych aktualizacjiOcena i optymalizacja Metryki do oceny wydajności RAG (np. BLEU, EM, F1) Opóźnienie, jakość odzyskiwania i redukcja halucynacji Śledzenie eksperymentów i stopniowe doskonalenieWdrożenie i integracja w rzeczywistym świecie Wdrażanie RAG w wewnętrznych silnikach wyszukiwania i chatbotach Zagadnienia bezpieczeństwa, dostępu do danych i zarządzania Integracja z API, panelami sterowania lub portalami wiedzyPrzykłady zastosowań i najlepsze praktyki Przypadki użycia w przedsiębiorstwach w finansach, opiece zdrowotnej i prawie Zarządzanie zmianą dziedziny i aktualizacjami bazy wiedzy Przyszłe kierunki w systemach LLM z uzupełnieniem odzyskiwaniaPodsumowanie i następne kroki
Wymagania
- Zrozumienie pojęć przetwarzania języka naturalnego (NLP)
- Doświadczenie z modelami językowymi opartymi na transformatorach
- Znałość Python oraz podstawowych procesów uczenia maszynowego
Grupa docelowa
- Inżynierowie NLP
- Zespoły zarządzania wiedzą
14 godzin
Szkolenia otwarte są realizowane w przypadku uzbierania się grupy szkoleniowej liczącej co najmniej 5 osób na dany termin.
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems - Plan Szkolenia - Booking
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems - Plan Szkolenia - Enquiry
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems - Zapytanie o Konsultacje
Zapytanie o Konsultacje
Propozycje terminów
Szkolenia Powiązane
Advanced Techniques in Transfer Learning
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych specjalistów od uczenia maszynowego, którzy chcą opanować najnowocześniejsze techniki uczenia transferowego i zastosować je do złożonych problemów w świecie rzeczywistym.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Zrozumieć zaawansowane koncepcje i metodologie w uczeniu transferowym.
- Wdrożyć techniki adaptacji specyficzne dla domeny dla wstępnie wytrenowanych modeli.
- Zastosować ciągłe uczenie się do zarządzania ewoluującymi zadaniami i zestawami danych.
- Opanować wielozadaniowe dostrajanie w celu zwiększenia wydajności modelu w różnych zadaniach.
Więcej...
Deploying Fine-Tuned Models in Production
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą niezawodnie i wydajnie wdrażać precyzyjnie dostrojone modele.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć wyzwania związane z wdrażaniem precyzyjnie dostrojonych modeli do produkcji.
- Konteneryzować i wdrażać modele przy użyciu narzędzi takich jak Docker i Kubernetes.
- Wdrożyć monitorowanie i rejestrowanie wdrożonych modeli.
- Optymalizować modele pod kątem opóźnień i skalowalności w rzeczywistych scenariuszach.
Więcej...
Domain-Specific Fine-Tuning for Finance
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średniozaawansowanych profesjonalistów, którzy chcą zdobyć praktyczne umiejętności dostosowywania modeli AI do krytycznych zadań finansowych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć podstawy dostrajania dla aplikacji finansowych.
- Wykorzystać wstępnie wytrenowane modele do zadań specyficznych dla domeny w finansach.
- Stosować techniki wykrywania oszustw, oceny ryzyka i generowania porad finansowych.
- Zapewnienie zgodności z przepisami finansowymi, takimi jak GDPR i SOX.
- Wdrożenie bezpieczeństwa danych i etycznych praktyk AI w aplikacjach finansowych.
Więcej...
Fine-Tuning Models and Large Language Models (LLMs)
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych i zaawansowanych profesjonalistów, którzy chcą dostosować wstępnie wytrenowane modele do określonych zadań i zestawów danych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć zasady dostrajania i jego zastosowania.
- Przygotować zestawy danych do dostrajania wstępnie wytrenowanych modeli.
- Dostroić duże modele językowe (LLM) do zadań NLP.
- Optymalizować wydajność modeli i radzić sobie z typowymi wyzwaniami.
Więcej...
Efficient Fine-Tuning with Low-Rank Adaptation (LoRA)
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych programistów i praktyków AI, którzy chcą wdrożyć strategie dostrajania dużych modeli bez potrzeby korzystania z rozległych zasobów obliczeniowych.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Zrozumieć zasady Low-Rank Adaptation (LoRA).
- Wdrożyć LoRA w celu wydajnego dostrajania dużych modeli.
- Zoptymalizować dostrajanie dla środowisk o ograniczonych zasobach.
- Ocenić i wdrożyć modele dostrojone LoRA do praktycznych zastosowań.
Więcej...
Fine-Tuning Multimodal Models
28 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą opanować multimodalne dostrajanie modeli dla innowacyjnych rozwiązań AI.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć architekturę modeli multimodalnych, takich jak CLIP i Flamingo.
- Skutecznie przygotowywać i wstępnie przetwarzać multimodalne zestawy danych.
- Dostroić modele multimodalne do konkretnych zadań.
- Optymalizować modele pod kątem rzeczywistych zastosowań i wydajności.
Więcej...
Fine-Tuning for Natural Language Processing (NLP)
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych profesjonalistów, którzy chcą ulepszyć swoje projekty NLP poprzez skuteczne dostrojenie wstępnie wytrenowanych modeli językowych.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Zrozumieć podstawy dostrajania dla zadań NLP.
- Dostroić wstępnie wytrenowane modele, takie jak GPT, BERT i T5, do konkretnych zastosowań NLP.
- Optymalizacja hiperparametrów w celu poprawy wydajności modelu.
- Ocena i wdrażanie dostrojonych modeli w rzeczywistych scenariuszach.
Więcej...
Fine-Tuning DeepSeek LLM for Custom AI Models
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych badaczy sztucznej inteligencji, inżynierów uczenia maszynowego i programistów, którzy chcą dostroić DeepSeek modele LLM do tworzenia wyspecjalizowanych aplikacji AI dostosowanych do konkretnych branż, dziedzin lub potrzeb biznesowych.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Zrozumieć architekturę i możliwości modeli DeepSeek, w tym DeepSeek-R1 i DeepSeek-V3.
- Przygotować zestawy danych i wstępnie przetworzyć dane do dostrojenia.
- Dostrajanie DeepSeek LLM do zastosowań specyficznych dla danej domeny.
- Efektywna optymalizacja i wdrażanie dostrojonych modeli.
Więcej...
Fine-Tuning Large Language Models Using QLoRA
14 godzinTo szkolenie prowadzone przez instruktora, dostępne online lub na miejscu w Polsce, jest skierowane do inżynierów uczenia maszynowego, deweloperów AI oraz naukowców danych na poziomie średnim do zaawansowanym, którzy chcą nauczyć się używania QLoRA do efektywnego dopasowywania dużych modeli do określonych zadań i dostosowań.
Po ukończeniu tego szkolenia uczestnicy będą w stanie:
- Zrozumieć teorię stojącą za QLoRA i technikami kwantyzacji dla modeli językowych (LLMs).
- Wdrożyć QLoRA w procesie dopasowywania dużych modeli językowych do zastosowań specjalistycznych.
- Optymalizować wydajność dopasowywania przy ograniczonych zasobach obliczeniowych za pomocą kwantyzacji.
- Efektywnie wdrażać i oceniać dopasowane modele w rzeczywistych zastosowaniach.
Więcej...
Fine-Tuning with Reinforcement Learning from Human Feedback (RLHF)
14 godzinTo szkolenie prowadzone przez instruktora w trybie Polsce (online lub stacjonarnym) jest przeznaczone dla zaawansowanych inżynierów uczenia maszynowego i badaczy sztucznej inteligencji, którzy chcą zastosować RLHF do doszlifowania dużych modeli AI w celu uzyskania lepszej wydajności, bezpieczeństwa i zgodności.
Po zakończeniu tego szkolenia uczestnicy będą w stanie:
- Zrozumieć teoretyczne podstawy RLHF i dlaczego jest ono kluczowe w współczesnym rozwoju sztucznej inteligencji.
- Wdrożyć modele nagród opartych na opinii człowieka, aby kierować procesami uczenia wzmocnionego.
- Doszkolić duże modele językowe za pomocą technik RLHF, aby dostosować wyniki do preferencji człowieka.
- Zastosować najlepsze praktyki w zakresie skalowania procesów RLHF dla systemów sztucznej inteligencji przeznaczonych do produkcji.
Więcej...
Optimizing Large Models for Cost-Effective Fine-Tuning
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą opanować techniki optymalizacji dużych modeli pod kątem opłacalnego dostrajania w rzeczywistych scenariuszach.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Zrozumieć wyzwania związane z dostrajaniem dużych modeli.
- Zastosować rozproszone techniki szkoleniowe do dużych modeli.
- Wykorzystać kwantyzację modelu i przycinanie w celu zwiększenia wydajności.
- Optymalizować wykorzystanie sprzętu do zadań dostrajania.
- Skutecznie wdrażać dostrojone modele w środowiskach produkcyjnych.
Więcej...
Prompt Engineering and Few-Shot Fine-Tuning
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średniozaawansowanych profesjonalistów, którzy chcą wykorzystać moc szybkiej inżynierii i uczenia się kilku ujęć, aby zoptymalizować wydajność LLM w rzeczywistych zastosowaniach.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Zrozumieć zasady inżynierii podpowiedzi i uczenia się kilku strzałów.
- Projektować skuteczne podpowiedzi dla różnych zadań NLP.
- Wykorzystywać techniki "few-shot" do adaptacji LLM przy minimalnej ilości danych.
- Optymalizować wydajność LLM pod kątem praktycznych zastosowań.
Więcej...
Parameter-Efficient Fine-Tuning (PEFT) Techniques for LLMs
14 godzinTo szkolenie prowadzone przez instruktora w formie Polsce (online lub na miejscu) jest przeznaczone dla data scientistów i inżynierów AI na poziomie średnim, którzy chcą doskonalić duże modele językowe w sposób bardziej ekonomiczny i efektywny, wykorzystując metody takie jak LoRA, Adapter Tuning i Prefix Tuning.
Po zakończeniu tego szkolenia uczestnicy będą w stanie:
- Zrozumieć teorię za podejściami do efektywnego parametru fine-tuning.
- Wdrożyć LoRA, Adapter Tuning i Prefix Tuning za pomocą Hugging Face PEFT.
- Porównać wydajność i koszty związane z metodami PEFT w porównaniu do pełnego fine-tuning.
- Wdrożyć i skalować doskonalone modele językowe z mniejszymi wymaganiami obliczeniowymi i miejsca na dysku.
Więcej...
Introduction to Transfer Learning
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych specjalistów od uczenia maszynowego, którzy chcą zrozumieć i zastosować techniki uczenia transferowego w celu poprawy wydajności i wydajności w projektach AI.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Zrozumieć podstawowe pojęcia i korzyści płynące z uczenia transferowego.
- Poznaj popularne wstępnie wytrenowane modele i ich zastosowania.
- Dostrajać wstępnie wytrenowane modele do niestandardowych zadań.
- Zastosować uczenie transferowe do rozwiązywania rzeczywistych problemów w NLP i wizji komputerowej.
Więcej...
Troubleshooting Fine-Tuning Challenges
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą udoskonalić swoje umiejętności w diagnozowaniu i rozwiązywaniu wyzwań związanych z dostrajaniem modeli uczenia maszynowego.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Diagnozować kwestie takie jak nadmierne dopasowanie, niedopasowanie i brak równowagi danych.
- Wdrożyć strategie w celu poprawy konwergencji modelu.
- Optymalizować potoki dostrajania w celu uzyskania lepszej wydajności.
- Debugować procesy szkoleniowe przy użyciu praktycznych narzędzi i technik.
Więcej...
