Шаблоны проектирования LLM: практическое руководство по созданию надежных и эффективных систем искусственного интеллекта на русском

Изучите многократно используемые шаблоны проектирования, включая подходы, ориентированные на данные, разработку моделей, тонкую настройку моделей и RAG для разработки приложений LLM, а также передовые методы подсказок.

Бесплатно к вашей книге: PDF-копия, ИИ-помощник и программа для чтения нового поколения.

Основные характеристики

• Изучите комплексную разработку LLM, включая подготовку данных, конвейеры обучения и оптимизацию.
• Изучите передовые методы подсказок, такие как цепочка мыслей, дерево мыслей, RAG и агенты искусственного интеллекта.
• Внедрить метрики оценки, обеспечить интерпретируемость и выявить предвзятость для создания справедливых и надежных моделей.

Описание книги

Это практическое руководство для специалистов в области искусственного интеллекта позволит вам использовать возможности шаблонов проектирования для разработки надежных, масштабируемых и эффективных больших языковых моделей (LLM). Написанная всемирно известным экспертом в области ИИ и популярным автором, продвигающим стандарты и инновации в генеративном ИИ, безопасности и стратегии, эта книга охватывает весь жизненный цикл разработки LLM и представляет многократно используемые архитектурные и инженерные решения распространенных проблем обработки данных, обучения моделей, оценки и развертывания.

Вы научитесь очищать, расширять и аннотировать крупномасштабные наборы данных, проектировать модульные конвейеры обучения и оптимизировать модели с помощью настройки гиперпараметров, обрезки и квантования. Главы помогут вам изучить регуляризацию, контрольные точки, тонкую настройку и продвинутые методы подсказок, такие как «рассуждение и действие», а также реализовать рефлексию, многошаговое рассуждение и использование инструментов для интеллектуального выполнения задач. Книга также освещает генерацию с расширенным поиском (Retrieval-Augmented Generation, RAG), поиск на основе графов, интерпретируемость, справедливость и RLHF, кульминацией чего станет создание агентных систем LLM.

К концу этой книги вы получите знания и инструменты для создания программ магистратуры в области права нового поколения, которые будут адаптируемыми, эффективными, безопасными и соответствующими человеческим ценностям.

Что вы узнаете

• Внедрите эффективные методы подготовки данных, включая очистку и расширение массива данных.
• Разработайте масштабируемые конвейеры обучения с настройкой, регуляризацией и контрольными точками.
• Оптимизация LLM-моделей посредством обрезки, квантизации и тонкой настройки.
• Оценивайте модели с помощью метрик, перекрестной проверки и интерпретируемости.
• Понимать принципы справедливости и выявлять предвзятость в результатах.
• Разработайте стратегии RLHF для создания безопасных, агентных систем искусственного интеллекта.

Для кого предназначена эта книга?

Эта книга необходима инженерам, архитекторам, специалистам по анализу данных и разработчикам программного обеспечения в области искусственного интеллекта, ответственным за разработку и развертывание систем ИИ на основе больших языковых моделей. Базовое понимание концепций машинного обучения и опыт программирования на Python являются обязательными.

Оглавление

1. Введение в шаблоны проектирования LLM
2. Очистка данных для обучения по программе LLM
3. Расширение данных
4. Обработка больших наборов данных для обучения по программе LLM.
5. Версионирование данных
6. Аннотирование и разметка наборов данных
7. Учебный конвейер
8. Настройка гиперпараметров
9. Регуляризация
10. Сохранение контрольных точек и восстановление
11. Тонкая настройка
12. Обрезка модели
13. Квантование
14. Показатели оценки
15. Перекрестная проверка
16. Интерпретируемость
17. Справедливость и выявление предвзятости
18. Устойчивость к враждебным действиям
19. Обучение с подкреплением на основе обратной связи от человека
20. Метод «цепочки мыслей»
21. Метод "Древо мыслей"
22. Рассуждение и действие
23. Рассуждение без наблюдения
24. Методы отражения
25. Автоматизированное многошаговое логическое рассуждение и использование инструментов
26. Генерация с расширенными возможностями поиска
27. Графовый RAG
28. Усовершенствованный РАГ
29. Оценка систем RAG
30. Агентные модели