ارزیابی LLM و تکنیک های زمینی

مدرس Denys Linkov

انتشار 2024/08/28

مدت زمان 2h 44m

سطح مناسب همه

فایل تمرینی ندارد

آموزش LLM Evaluations and Grounding Techniques

آیا به دنبال کسب اطلاعات بیشتر در مورد مدلهای بزرگ زبان (LLM) هستید؟ به مربی Denys Linkov بپیوندید ، زیرا او به بررسی توهم ، دلایل آنها ، پیامدهای آنها در قابلیت اطمینان و قابلیت استفاده LLM ها و نحوه کاهش نادرستی های ساختاری و متنی برای اطمینان از خروجی با کیفیت بالا و حساس می پردازد. تکنیک های عملی را برای پرداختن به توهم ، از جمله یادگیری چند عکس ، تنظیم دقیق مدل و الگوهای هدایت خروجی LLM ایجاد کنید. شما همچنین به موضوعات پیشرفته تری مانند زنجیره استدلال فکر ، نسل بازیابی-آگوس و مسیریابی مدل برای افزایش عملکرد LLM می پردازید. مهارت های جدید خود را در طول مسیر با چالش های دنیای واقعی که تجربه ای مفید را برای تقویت یادگیری شما فراهم می کند ، آزمایش کنید. این که آیا شما یک محقق هوش مصنوعی ، یک دانشمند داده یا یک علاقه مندان به فناوری هستید که تحت تأثیر قابلیت های در حال تحول LLM ها قرار می گیرد ، این دوره بینش ارزشمندی در مورد پیمایش پیچیدگی های AI با سهولت ارائه می دهد. با استفاده از برنامه های GitHub ، می توانید از هر دستگاهی ، در هر زمان و در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد ، از هر دستگاهی استفاده کنید. برای یادگیری نحوه شروع کار ، از فیلم "استفاده از CodeSpaces GitHub با این دوره" دیدن کنید.

Artificial Intelligence (AI) ChatGPT مدل‌های زبان بزرگ (LLM) Python (Programming Language)

Introduction

Understanding grounding techniques for LLMs ()

Setting up your LLM environment ()

1. Basic LLM Hallucinations

What is a hallucination? ()

Hallucination examples ()

Comparing hallucinations across LLMs ()

Dangers of hallucinations ()

Challenge: Finding a hallucination ()

Solution: Finding a hallucination ()

2. Types of Hallucinations

Training LLMs on time-sensitive data ()

Poorly curated training data ()

Faithfulness and context ()

Ambiguous responses ()

Incorrect output structure ()

Declining to respond ()

Fine-tuning hallucinations ()

LLM sampling techniques and adjustments ()

Bad citations ()

Incomplete information extraction ()

3. Mitigating Hallucinations

Few-shot learning ()

Chain of thought reasoning ()

Structured templates ()

Retrieval-augmented generation ()

Updating LLM model versions ()

Model fine-tuning for mitigating hallucinations ()

Orchestrating workflows through model routing ()

Challenge: Automating ecommerce reviews with LLMs ()

Solution: Automating ecommerce reviews with LLMs ()

4. Detecting Hallucinations

Creating LLM evaluation pipelines ()

LLM self-assessment pipelines ()

Human-in-the-loop systems ()

Specialized models for hallucination detection ()

Building an evaluation dataset ()

Optimizing prompts with DSPY ()

Optimizing hallucination detections with DSPY ()

Real-world LLM user testing ()

Challenge: A more well-rounded AI trivia agent ()

Solution: A more well-rounded AI trivia agent ()

5. Hallucination Paper Review

Ragas: Evaluation paper ()

Hallucinations in large multilingual translation models ()

Do LLMs know what they don’t know? ()

Set the Clock: LLM temporal fine-tuning ()

Review of hallucination papers ()

Conclusion

Continue your practice of grounding techniques for LLMs ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.