Neem contact met ons op

Cursusaanbod

Inleiding tot LLM's en generatieve AI

  • Verkenning van technieken en modellen
  • Bespreking van toepassingen en use cases
  • Heroplijsting van uitdagingen en beperkingen

Gebruik van LLM's voor NLU-taken

  • Sentimentanalyse
  • Herkenning van benoemde entiteiten
  • Extractie van relationele informatie
  • Semantische parsing

Gebruik van LLM's voor NLI-taken

  • Het vaststellen van logische implicaties
  • Het opsporen van tegenstrijdigheden
  • Herkenning van parafrasen

Gebruik van LLM's voor kennisgrafen

  • Het extraheren van feiten en relaties uit tekst
  • Het afleiden van ontbrekende of nieuwe informatie
  • Toepassingen van kennisgrafen in praktische doeleinden

Gebruik van LLM's voor redenering op basis van algemene kennis

  • Het genereren van logische verklaringen, hypothese en scenario’s
  • Werken met datasets en kennisbases die algemene menselijke kennis bevatten
  • Evaluatie van het redeneringsvermogen van LLM's

Gebruik van LLM's voor dialooggeneratie

  • Generatie van gesprekken met chatbots, virtuele assistenten en andere gesprekssystemen
  • Het beheren van interacties tussen gebruikers en systemen
  • Toepassing van geschikte datasetcriteria en meetmethoden voor dialogen

Gebruik van LLM's voor meervoudige modaliteiten in generatie

  • Het genereren van beelden uit tekst
  • Tekstgeneratie op basis van afbeeldingen
  • Videoproductie vanuit tekst of beeldmateriaal
  • Geluidsproductie gebaseerd op tekst-input
  • Tekstproductie op basis van audio-invoer
  • Het maken van 3D-modellen met behulp van tekst of afbeeldingen

Meta-leren met LLM's

  • Aanpassing van modellen aan nieuwe domeinen, taken of talen
  • Leren uit beperkte aantal voorbeelden of zelfs uit geen enkel voorbeeld
  • Werken met specifieke meta-leer- en overdrachtsleermethoden en datasets

Gebruik van LLM's in het kader van adviserend leren

  • Bescherming tegen kwaadwillende aanvallen op modellen
  • Het opsporen en corrigeren van onjuiste aannames of vooroordelen in de output<\/li>
  • Werken met robuuste datasets en methodeën voor adviserend leren

Evaluatie van LLM's en generatieve AI

  • Het beoordelen van kwaliteit en verscheidenheid van geproduceerde inhoud
  • Analyse met hulpmiddelen zoals Inception-score, Fréchet Inception Distance en BLEU-score
  • Gebruik van menselijke evaluatietechnieken, waaronder crowdsourcing en enquêtes
  • Het testen met Turingtests of andere discriminerende instrumenten

Toepassing van ethische beginselen bij LLM's en generatieve AI

  • Waarborging van eerlijkheid en transparantie
  • Het voorkomen van misbruik of onverantwoord gebruik
  • Respect voor de rechten en privacy van auteurs en eindgebruikers
  • Bevordering van samenwerking tussen mens en AI op creatief vlak

Samenvatting en vervolgstappen

Vereisten

  • Begrip van basisconcepten en terminologie binnen AI
  • Ervaring met programmeertaal Python en data-analyse
  • Kennis van deep learning-frameworks zoals TensorFlow of PyTorch
  • Inzicht in de basisprincipes van LLM's en hun toepassingen

Doelgroep

  • Datawetenschappers
  • AI-ontwikkelaars
  • Geïnteresseerde personen in AI
 21 Uren

Aantal deelnemers


Prijs per deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën