Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in LLMs und generative KI
- Erforschung von Techniken und Modellen
- Erörterung von Anwendungen und Anwendungsfällen
- Identifizierung von Herausforderungen und Grenzen
Verwendung von LLMs für NLU-Aufgaben
- Sentiment-Analyse
- Erkennung benannter Entitäten
- Extraktion von Relationen
- Semantisches Parsing
Verwendung von LLMs für NLI-Aufgaben
- Entailment-Erkennung
- Erkennung von Widersprüchen
- Erkennung von Paraphrasen
Verwendung von LLMs für Wissensgraphen
- Extrahieren von Fakten und Beziehungen aus Text
- Ableiten von fehlenden oder neuen Fakten
- Verwendung von Wissensgraphen für nachgelagerte Aufgaben
Verwendung von LLMs für Commonsense Reasoning
- Generierung plausibler Erklärungen, Hypothesen und Szenarien
- Verwendung von Commonsense-Wissensbasen und -Datensätzen
- Evaluierung von Commonsense Reasoning
Verwendung von LLMs für die Dialoggenerierung
- Generierung von Dialogen mit Konversationsagenten, Chatbots und virtuellen Assistenten
- Verwaltung von Dialogen
- Verwendung von Dialogdatensätzen und Metriken
Verwendung von LLMs für multimodale Generierung
- Generierung von Bildern aus Text
- Generierung von Text aus Bildern
- Generierung von Videos aus Text oder Bildern
- Generierung von Audio aus Text
- Generierung von Text aus Audio
- Generierung von 3D-Modellen aus Text oder Bildern
Verwendung von LLMs für Meta-Lernen
- Anpassung von LLMs an neue Domänen, Aufgaben oder Sprachen
- Lernen aus Beispielen mit wenigen oder gar keinen Aufnahmen
- Verwendung von Meta-Learning- und Transfer-Learning-Datensätzen und -Rahmenwerken
Verwendung von LLMs für adversariales Lernen
- Verteidigung von LLMs gegen bösartige Angriffe
- Erkennen und Abschwächen von Verzerrungen und Fehlern in LLMs
- Verwendung von Datensätzen und Methoden für adversariales Lernen und Robustheit
Evaluierung von LLMs und generativer KI
- Bewertung der Qualität und Vielfalt von Inhalten
- Verwendung von Metriken wie Inception Score, Fréchet Inception Distance und BLEU Score
- Verwendung von menschlichen Bewertungsmethoden wie Crowdsourcing und Umfragen
- Verwendung von kontradiktorischen Bewertungsmethoden wie Turing-Tests und Diskriminatoren
Anwendung ethischer Grundsätze für LLMs und generative KI
- Sicherstellung von Fairness und Verantwortlichkeit
- Vermeidung von Missbrauch und Zweckentfremdung
- Respektierung der Rechte und der Privatsphäre von Inhaltserstellern und Verbrauchern
- Förderung der Kreativität und Zusammenarbeit von Menschen und KI
Zusammenfassung und nächste Schritte
Voraussetzungen
- Verständnis grundlegender KI-Konzepte und -Terminologie
- Erfahrung mit Python Programmierung und Datenanalyse
- Vertrautheit mit Deep-Learning-Frameworks wie TensorFlow oder PyTorch
- Ein Verständnis der Grundlagen von LLMs und deren Anwendungen
Zielgruppe
- Datenwissenschaftler
- KI-Entwickler
- KI-Enthusiasten
21 Stunden
