聯繫我們

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
 21 小時

人數


每位參與者的報價

即將到來的課程

課程分類