Visão Geral

Avanços recentes nas técnicas e na acessibilidade de grandes modelos de linguagem (LLMs) abriram oportunidades sem precedentes para as empresas simplificarem as suas operações, diminuirem despesas e aumentarem a produtividade em escala. As empresas também podem usar aplicativos com tecnologia LLM para fornecer serviços inovadores e aprimorados aos clientes ou fortalecer o relacionamento com os clientes. Por exemplo, as empresas poderiam fornecer suporte ao cliente por meio de assistentes virtuais de IA ou usar aplicativos de análise de sentimentos para extrair informações valiosas dos clientes.

Neste curso, você obterá uma forte compreensão e conhecimento prático do desenvolvimento de aplicativos LLM, explorando o ecossistema de código aberto, incluindo LLMs pré-treinados, que podem ajudá-lo a começar rapidamente a desenvolver aplicativos baseados em LLM.

Objetivo

Após concluir este Curso Rapid Application Development Using Large Language Models Training, você será capaz de:

• Encontre, obtenha e experimente o repositório de modelos HuggingFace e a API de transformadores associada
• Use modelos de codificador para tarefas como análise semântica, incorporação, resposta a perguntas e classificação zero-shot
• Use modelos de decodificadores para gerar sequências como código, respostas ilimitadas e conversas
• Use técnicas de composição e gerenciamento de estado para orientar os LLMs para conversas seguras, eficazes e precisas

Pre-Requisitos

• Aprendizado profundo introdutório, com preferência pelo conforto com PyTorch e aprendizagem por transferência. O conteúdo coberto pelos cursos Introdução ao Deep Learning ou Fundamentos do Deep Learning do DLI ou experiência semelhante é suficiente.
• Experiência intermediária em Python, incluindo programação e bibliotecas orientadas a objetos. O conteúdo coberto pelo Tutorial Python (w3schools.com) ou experiência semelhante é suficiente.

Materiais

Conteúdo Programatico

• Introduction
• From Deep Learning to Large Language Models
• Specialized Encoder Models
• Encoder-Decoder Models for Seq2Seq
• Decoder Models for Text Generation
• Stateful LLMs
• Assessment and Q&A