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

Nombre de participants



Prix par participant

Nos Clients témoignent (1)

Cours Similaires

Catégories Similaires