Fortgeschrittene LLMs für NLP-Aufgaben Schulung

Einführung in LLMs und generative KI

• Erkundung von Techniken und Modellen
• Diskussion über Anwendungen und Use Cases
• Identifizierung von Herausforderungen und Grenzen

Einsatz von LLMs für NLU-Aufgaben

• Sentimentanalyse
• Erkennung benannter Entitäten
• Beziehungsextraktion
• Semantische Parsing

Einsatz von LLMs für NLI-Aufgaben

• Entailment-Erkennung
• Konflikt-Erkennung
• Paraphrasen-Erkennung

Einsatz von LLMs für Wissensgraphen

• Extrahieren von Fakten und Beziehungen aus Text
• Inferenz fehlender oder neuer Fakten
• Nutzung von Wissensgraphen für nachgelagerte Aufgaben

Einsatz von LLMs für commonsense reasoning (Alltagswissen-Reasoning)

• Generierung plausibler Erklärungen, Hypothesen und Szenarien
• Nutzung von Wissensbasen und Datensätzen für Alltagswissen
• Bewertung des commonsense reasoning

Einsatz von LLMs zur Dialoggenerierung

• Generierung von Dialogen mit konversationellen Agenten, Chatbots und virtuellen Assistenten
• Steuerung von Dialogen
• Nutzung von Dialogdatensätzen und Bewertungsmetriken

Einsatz von LLMs für multimodale Generierung

• Generierung von Bildern aus Text
• Generierung von Text aus Bildern
• Generierung von Videos aus Text oder Bildern
• Generierung von Audio aus Text
• Generierung von Text aus Audio
• Generierung von 3D-Modellen aus Text oder Bildern

Einsatz von LLMs für Meta-Learning

• Anpassung von LLMs an neue Domänen, Aufgaben oder Sprachen
• Lernen anhand weniger Beispiele (few-shot) oder gar keine Beispiele (zero-shot)
• Nutzung von Datensätzen und Frameworks für Meta-Learning und Transfer Learning

Einsatz von LLMs für adversariales Lernen

• Schutz von LLMs vor böswilligen Angriffen
• Erkennen und Milderung von Vorurteilen und Fehlern in LLMs
• Nutzung von Datensätzen und Methoden für adversariales Lernen und Robustheit

Bewertung von LLMs und generativer KI

• Bewertung der Qualität und Vielfalt der Inhalte
• Nutzung von Metriken wie Inception Score, Fréchet Inception Distance und BLEU-Score
• Nutzung menschlicher Bewertungsverfahren wie Crowdsourcing und Umfragen
• Anwendung adversarieller Bewertungsmethoden wie Turing-Tests und Diskriminatoren

Ethische Prinzipien für LLMs und generative KI anwenden

• Sicherstellung von Fairness und Rechenschaftspflicht
• Vor missbräuchlicher Nutzung schützen
• Wahrung der Rechte und Privatsphäre von Inhaltserschaffern und -konsumenten
• Förderung von Kreativität und Zusammenarbeit zwischen Mensch und KI

Zusammenfassung und nächste Schritte