Nehmen Sie an unserem neuen Kurzkurs "Verbesserung der Genauigkeit von LLM-Anwendungen mit Lamini und Meta" teil. Lernen Sie von Sharon Zhou, Mitbegründerin und CEO von Lamini, und Amit Sangani, Senior Director of Partner Engineering, Meta. Viele Entwickler haben bei der Arbeit mit LLM-Anwendungen frustrierende Erfahrungen mit inkonsistenten Ergebnissen gemacht. Dieser Kurs bietet einen systematischen Ansatz, um die Genauigkeit und Zuverlässigkeit Ihrer LLM-Anwendungen zu verbessern. Sie werden einen SQL-Agenten erstellen, Bewertungsmetriken hinzufügen, um die Leistung zu messen, und promptes Engineering und Selbstreflexion einsetzen, um die Leistung des Modells zu verbessern. Schließlich werden Sie das Modell mit Techniken wie LoRA und Speicheroptimierung, die Fakten in Modellgewichte einbettet, um Halluzinationen zu reduzieren, feinabstimmen. In diesem Kurs werden Sie die Familie der Open Source Modelle von Llama verwenden. Was Sie tun werden:

1. Erstellen Sie einen Text-SQL-Agenten und simulieren Sie Situationen, in denen er halluziniert, um den Evaluierungsprozess zu beginnen. 2. Aufbau eines Evaluierungsrahmens zur systematischen Leistungsmessung, einschließlich Kriterien für gute Evaluierungen, Best Practices und Entwicklung eines Evaluierungsscores. 3. Lernen Sie, wie die Feinabstimmung von Anweisungen die Befolgung von Anweisungen durch vortrainierte LLMs verbessert und wie die Feinabstimmung des Gedächtnisses Fakten einbettet, um Halluzinationen zu reduzieren. 4. Brechen Sie mit Feinabstimmungsmythen und sehen Sie, wie leistungseffiziente Feinabstimmung (PEFT) Techniken wie Low-Rank Adaptation (LoRA) die Trainingszeit um das 100-fache reduzieren und Mixture of Memory Experts (MoME) sie sogar noch weiter reduziert. 5. Durchlaufen Sie einen iterativen Prozess der Generierung von Trainingsdaten und der Feinabstimmung und lernen Sie praktische Tipps wie das Hinzufügen von Beispielen, das Generieren von Variationen und das Filtern der generierten Daten, um die Modellgenauigkeit zu erhöhen. Beginnen Sie noch heute damit, die Genauigkeit von LLM-Anwendungen zu verbessern!