Kontakt aufnehmen

Schulungsübersicht

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

Voraussetzungen

  • Grundlegende KI-Konzepte und Terminologie
  • Erfahrung in der Python-Programmierung und Datenanalyse
  • Vertrautheit mit Deep-Learning-Frameworks wie TensorFlow oder PyTorch
  • Grundverständnis von LLMs und deren Anwendungsgebieten

Zielgruppe

  • Data Scientists
  • KI-Entwickler
  • KI-Interessierte
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien