Introduzione ai LLM per sviluppatori
Questo corso è una versione adattata al contesto cinese della serie di tre corsi sui modelli linguistici di grandi dimensioni lanciata in collaborazione da Andrew Ng e OpenAI. Copre l'ingegneria dei prompt, la creazione di sistemi con l'API ChatGPT, lo sviluppo di applicazioni con LangChain e l'utilizzo di LangChain per accedere a dati privati. Il corso offre un'introduzione chiara e accessibile su come sfruttare le capacità dei modelli linguistici di grandi dimensioni per creare applicazioni con funzioni di sintesi, inferenza, trasformazione, espansione e chat.
Panoramica del corso
Riepilogo del Contenuto
Questo corso è un adattamento cinese della serie in tre parti sui Modelli Linguistici di Grande Dimensione (LLM) sviluppata congiuntamente da Andrew Ng e OpenAI. Copre l'ingegneria dei prompt, la creazione di sistemi basati sull'API ChatGPT, lo sviluppo applicativo con LangChain e l'utilizzo di LangChain per accedere a dati privati. Il corso offre un'introduzione approfondita ma accessibile all'utilizzo delle capacità dei LLM per sviluppare applicazioni caratterizzate da funzionalità di riassunto, inferenza, trasformazione, espansione e chat.
Padroneggia l'ingegneria dei prompt e il framework LangChain per diventare uno sviluppatore di applicazioni AI nell'era dei grandi modelli.
Obiettivi di Apprendimento
- Distinguere tra LLM di base e LLM addestrati su istruzioni.
- Applicare quattro tecniche specifiche per scrivere istruzioni chiare e precise (delimitatori, output strutturato, controlli di condizione e prompting con pochi esempi).
- Implementare strategie per dare ai modelli "tempo per pensare", specificando passaggi del compito e richiedendo risoluzione indipendente dei problemi.
- Implementare il trattamento strutturato del testo: riassumere e estrarre informazioni specifiche da un documento singolo o da più documenti, controllando lunghezza e focalizzazione dell'output.
- Eseguire analisi automatica del testo: classificare sentimenti, identificare emozioni specifiche ed eseguire una classificazione tematica zero-shot tramite prompt.
- Eseguire trasformazioni multimodali: tradurre tra lingue, convertire formati di dati (ad esempio JSON in HTML) e correggere grammatica e ortografia in modo programmatico.
- Distinguere tra LLM di base e LLM addestrati su istruzioni, comprendendo l'impatto della tokenizzazione sul comportamento del modello.
- Implementare architetture di sistema strutturate utilizzando ruoli messaggio System, User e Assistant per definire personalità del modello.
- Applicare tecniche di classificazione e moderazione per valutare gli input utente in termini di sicurezza e instradamento.
- Implementare il chaining dei prompt: decomporre compiti complessi in sotto-compiti gestibili per migliorare affidabilità e ridurre i costi.