Dans ce module, vous apprendrez à utiliser les fonctions LLM du Cortex pour accomplir de nombreuses tâches d'IA, notamment : comment mettre en œuvre des cas d'utilisation d'IA générative communs tels que le résumé, la traduction, l'analyse des sentiments et la classification de texte avec les fonctions spécifiques aux tâches du Cortex ; comment mettre en œuvre d'autres cas d'utilisation d'IA générative en utilisant la famille de modèles Llama, Mistral et Anthropic avec l'ingénierie de requête et la fonction COMPLETE du Cortex ; comment sélectionner un LLM pour leur cas d'utilisation, y compris quand sélectionner les modèles plus grands ou plus petits au sein d'une famille de modèles ; comment utiliser les fonctions Cortex Helper pour estimer le nombre de jetons et le coût ; et comment tester leurs appels LLM pour des erreurs potentielles sans encourir le coût d'inférence associé.

Dans ce module, vous apprendrez à affiner un LLM afin d'obtenir de meilleures performances pour votre cas d'utilisation. Vous comprendrez comment distiller les capacités d'un grand modèle dans un modèle plus petit. Vous apprendrez également : comment le Parameter Efficient Fine-Tuning (PEFT) peut réduire les exigences en matière de données d'entraînement et réduire les coûts ; comment générer des données d'entraînement et les diviser en ensembles de données d'entraînement et d'évaluation ; comment affiner un modèle de base, Mistral-7b, pour apprendre à répondre dans un style spécifique en utilisant la fonction Cortex FINETUNE et le Studio IA/ML sans code Snowflake ; tester votre modèle affiné en utilisant la fonction Cortex COMPLETE ; comment construire et partager une application d'IA simple en Python pour votre modèle affiné en utilisant Streamlit.