Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Introduction aux LLM et à l'IA générative
- Exploration des techniques et des modèles
- Discuter des applications et des cas d'utilisation
- Identifier les défis et les limites
Utilisation des LLM pour les tâches NLU
- Analyse des sentiments
- Reconnaissance des entités nommées
- Extraction de relations
- Analyse sémantique
Utilisation des LLM pour les tâches NLI
- Détection de détail
- Détection de contradictions
- Détection de paraphrases
Utilisation des LLM pour les graphes de connaissances
- Extraction de faits et de relations à partir d'un texte
- Inférer des faits manquants ou nouveaux
- Utilisation des graphes de connaissances pour des tâches en aval
Utilisation des LLM pour le raisonnement sensé
- Générer des explications, des hypothèses et des scénarios plausibles
- Utilisation de bases de connaissances et d'ensembles de données fondés sur le bon sens
- Évaluer le raisonnement par le bon sens
Utilisation des LLM pour la génération de dialogues
- Générer des dialogues avec des agents conversationnels, des chatbots et des assistants virtuels
- Gestion des dialogues
- Utilisation d'ensembles de données et d'indicateurs de dialogue
Utilisation des LLM pour la génération multimodale
- Générer des images à partir de textes
- Génération de texte à partir d'images
- Génération de vidéos à partir de textes ou d'images
- Génération d'audio à partir de texte
- Génération de texte à partir d'audio
- Génération de modèles 3D à partir de textes ou d'images
Utilisation des LLM pour le méta-apprentissage
- Adaptation des LLM à de nouveaux domaines, tâches ou langages
- Apprentissage à partir d'exemples peu nombreux ou inexistants
- Utilisation d'ensembles de données et de cadres de méta-apprentissage et d'apprentissage par transfert
Utilisation des LLM pour l'apprentissage contradictoire
- Défendre les LLM contre les attaques malveillantes
- Détecter et atténuer les biais et les erreurs dans les LLM
- Utilisation d'ensembles de données et de méthodes d'apprentissage contradictoire et de robustesse
Évaluation des LLM et de l'IA générative
- Évaluer la qualité et la diversité du contenu
- Utilisation de mesures telles que le score d'inception, la distance d'inception de Fréchet et le score BLEU
- Utilisation de méthodes d'évaluation humaine telles que le crowdsourcing et les enquêtes
- Utilisation de méthodes d'évaluation contradictoires telles que les tests de Turing et les discriminateurs
Application des principes éthiques aux LLM et à l'IA générative
- Garantir l'équité et la responsabilité
- Éviter les abus et les mauvais usages
- Respecter les droits et la vie privée des créateurs de contenu et des consommateurs
- Favoriser la créativité et la collaboration entre l'homme et l'IA
Résumé et prochaines étapes
Pré requis
- Compréhension des concepts et de la terminologie de base de l'IA
- Expérience de la programmation Python et de l'analyse de données
- Familiarité avec les cadres d'apprentissage profond tels que TensorFlow ou PyTorch
- Une compréhension des bases des LLM et de leurs applications.
Audience
- Scientifiques des données
- Développeurs d'IA
- Passionnés d'IA
21 heures
Nos Clients témoignent (1)
Les exercices et les échanges lors de questions / réponses