Kontakt aufnehmen

Schulungsübersicht

Einführung in das fortschrittliche Anpassen von Modellen

  • Überblick über Fine-Tuning und Prompt-Management in Vertex AI
  • Anwendungsfälle für die Modelloptimierung
  • Praxislabor: Einrichten des Vertex AI-Arbeitsbereichs

Überwachtes Fine-Tuning von Gemini-Modellen

  • Vorbereitung der Trainingsdaten für das Fine-Tuning
  • Durchführen von Pipelines für überwachtes Fine-Tuning
  • Praxislabor: Fine-Tunen eines Gemini-Modells

Prompt Engineering und Versionsmanagement

  • Gestaltung effektiver Prompts für generative KI
  • Versionierung und Reproduzierbarkeit
  • Praxislabor: Erstellen und Testen von Prompt-Versionen

Evaluierung und Benchmarking

  • Überblick über Evaluierungsbibliotheken in Vertex AI
  • Automatisieren von Workflow zur Tests- und Validierung
  • Praxislabor: Evaluieren von Prompts und Ausgaben

Bereitstellung und Überwachung von Modellen

  • Integrieren optimierter Modelle in Anwendungen
  • Leistungsüberwachung und Erkennung von Drift
  • Praxislabor: Bereitstellen eines feinjustierten Modells

Best Practices für die KI-Optimierung im Unternehmen

  • Skalierbarkeit und Kostenmanagement
  • Ethische Überlegungen und Minderung von Bias
  • Case Study: Verbessern von KI-Anwendungen in der Produktion

Zukunftsperspektiven beim Fine-Tuning und Prompt-Management

  • Aufkommende Trends bei der LLM-Optimierung
  • Automatisierte Prompt-Anpassung und Reinforcement Learning
  • Strategische Implikationen für die Unternehmensadoption

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Erfahrung mit Machine-Learning-Workflows
  • Kenntnisse in der Python-Programmierung
  • Vertrautheit mit cloudbasierten KI-Plattformen

Zielgruppe

  • KI-Ingenieure
  • MLops-Praktiker
  • Data Scientists
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien