Introduction aux Modèles de Langage à Grande Échelle pour Développeurs
Ce cours est une version adaptée au chinois de la série de trois cours sur les modèles de langage à grande échelle lancée conjointement par Andrew Ng et OpenAI. Il couvre l'ingénierie de prompts, la construction de systèmes avec l'API ChatGPT, le développement d'applications LangChain et l'utilisation de LangChain pour accéder aux données privées. Le cours offre une introduction claire et accessible sur la manière d'utiliser les capacités des grands modèles de langage pour développer des applications dotées de fonctions de synthèse, d'inférence, de transformation, d'expansion et de chat.
Aperçu du cours
Résumé du contenu
Ce cours est une adaptation chinoise de la série en trois parties sur les grands modèles linguistiques (LLM), co-développée par Andrew Ng et OpenAI. Il couvre l'ingénierie des prompts, la construction de systèmes à partir de l'API ChatGPT, le développement d'applications avec LangChain, et l'utilisation de LangChain pour accéder aux données privées. Le cours offre une introduction approfondie mais accessible à l'exploitation des capacités des LLM pour développer des applications intégrant des fonctionnalités de résumé, d'inférence, de transformation, d'expansion et de conversation.
Maîtrisez l'ingénierie des prompts et le cadre LangChain pour devenir un développeur d'applications IA à l'ère des grands modèles.
Objectifs d'apprentissage
- Différencier les LLM de base des LLM ajustés aux instructions.
- Appliquer quatre tactiques spécifiques pour formuler des instructions claires et précises (délimiteurs, sortie structurée, vérifications conditionnelles et apprentissage par exemple).
- Mettre en œuvre des stratégies permettant aux modèles de « prendre le temps de réfléchir » en précisant les étapes de la tâche et en exigeant une résolution indépendante des problèmes.
- Implémenter le traitement textuel structuré : résumer et extraire des informations spécifiques à partir d’un ou plusieurs documents tout en contrôlant la longueur et le focus de la sortie.
- Effectuer une analyse automatisée du texte : catégoriser le sentiment, identifier des émotions spécifiques, et réaliser une classification de sujet sans exemple (zero-shot) à l’aide de prompts.
- Exécuter des transformations multimodales : traduire entre langues, convertir des formats de données (ex. JSON vers HTML), et corriger automatiquement la grammaire ou l’orthographe.
- Différencier les LLM de base des LLM ajustés aux instructions tout en comprenant l’impact de la tokenisation sur le comportement du modèle.
- Mettre en œuvre des architectures système structurées en utilisant les rôles System, User et Assistant pour définir des personnalités de modèle.
- Appliquer des techniques de classification et de modération pour évaluer les entrées utilisateur en matière de sécurité et de routage.
- Mettre en œuvre le chaînage de prompts : décomposer des tâches complexes en sous-tâches gérables afin d’améliorer la fiabilité et de réduire les coûts.