感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程時長 21 時間：
課程簡介
LLM 與生成式 AI 簡介
- 探討技術與模型
- 討論應用場景與使用案例
- 識別挑戰與限制
利用 LLM 執行 NLU 任務
- 情感分析
- 命名實體識別
- 關係提取
- 語義解析
利用 LLM 執行 NLI 任務
- 蘊含檢測
- 矛盾檢測
- 重寫檢測
利用 LLM 處理知識圖譜
- 從文本中提取事實與關係
- 推論缺失或新的事實
- 運用知識圖譜執行下游任務
利用 LLM 進行常識推理
- 生成合理的解釋、假設與情境
- 使用常識知識庫與數據集
- 評估常識推理能力
利用 LLM 生成對話
- 透過交談式智能體、聊天機器人及虛擬助手生成對話
- 管理對話流程
- 使用對話數據集與評估指標
利用 LLM 進行多模態生成
- 從文本生成圖像
- 從圖像生成文本
- 從文本或圖像生成影片
- 從文本生成音頻
- 從音頻生成文本
- 從文本或圖像生成 3D 模型
利用 LLM 進行元學習
- 將 LLM 適應新領域、任務或語言
- 從少量樣本或零樣本示例中學習
- 使用元學習與遷移學習的數據集及框架
利用 LLM 進行對抗學習
- 防禦 LLM 免受惡意攻擊
- 檢測並減輕 LLM 中的偏差與錯誤
- 使用對立學習與魯棒性評估數據集及方法
評估 LLM 與生成式 AI
- 評估內容品質與多樣性
- 使用 inception score、Fréchet inception distance 及 BLEU score 等指標
- 採用眾包與調查等人類評估方法
- 運用圖靈測試與判别器等對抗評估方法
應用於 LLM 與生成式 AI 的倫理原則
- 確保公平性與問責制
- 避免濫用與誤用
- 尊重內容創建者與消費者的權利及隱私
- 促進人機協作與創意
總結與後續步驟
最低要求
- 理解基本的人工智慧概念與術語
- 具備 Python 程式設計及數據分析經驗
- 熟悉 TensorFlow 或 PyTorch 等深度學習框架
- 了解 LLM 的基本原理及其應用
目標受眾
- 資料科學家
- 人工智慧開發者
- 人工智慧愛好者
