Schnellstart-Leitfaden zu großen Sprachmodellen: Strategien und bewährte Methoden für die Nutzung von ChatGPT und anderen LLMs

Der praktische Schritt-für-Schritt-Leitfaden zur großflächigen Nutzung von LLMs in Projekten und Produkten

Große Sprachmodelle (LLMs) wie ChatGPT zeigen beeindruckende Fähigkeiten, doch ihre Größe und Komplexität haben viele Anwender davon abgehalten, sie anzuwenden. In Quick Start Guide to Large Language Models , räumt der wegweisende Datenwissenschaftler und KI-Unternehmer Sinan Ozdemir diese Hindernisse aus dem Weg und bietet einen Leitfaden zum Arbeiten mit, Integrieren und Bereitstellen von LLMs, um praktische Probleme zu lösen.

Ozdemir bringt alles zusammen, was Sie für den Einstieg benötigen, selbst wenn Sie keine direkten Erfahrungen mit LLMs haben: Schritt-für-Schritt-Anleitungen, bewährte Methoden, Fallstudien aus der Praxis, praktische Übungen und mehr. Dabei teilt er Einblicke in die Funktionsweise von LLMs, um Ihnen zu helfen, die Modellauswahl, Datenformate, Parameter und Leistung zu optimieren. Auf der begleitenden Website finden Sie noch weitere Ressourcen, darunter Beispieldatensätze und Code für die Arbeit mit Open-Source- und Closed-Source-LLMs wie jenen von OpenAI (GPT-4 und ChatGPT), Google (BERT, T5 und Bard), EleutherAI (GPT-J und GPT-Neo), Cohere (die Command-Familie) und Meta (BART und die LLaMA-Familie).

Lernen Sie wichtige Konzepte kennen: Pre-Training, Transfer Learning, Fine-Tuning, Attention, Embeddings, Tokenisierung und mehr Nutzen Sie APIs und Python, um LLMs für Ihre Anforderungen zu fine-tunen und anzupassen Bauen Sie ein vollständiges neuronales/semantisches Informationsabrufsystem und verbinden Sie es mit konversationellen LLMs für Retrieval-Augmented Generation Beherrschen Sie fortgeschrittene Prompt-Engineering-Techniken wie Output-Strukturierung, Chain-of-Thought und semantisches Few-Shot-Prompting Passen Sie LLM-Embeddings an, um von Grund auf eine vollständige Empfehlungsmaschine mit Benutzerdaten zu bauen Konstruieren und fine-tunen Sie multimodale Transformer-Architekturen mithilfe von Open-Source-LLMs Richten Sie LLMs mithilfe von Reinforcement Learning from Human and AI Feedback (RLHF/RLAIF) aus Bereitstellen Sie Prompts und benutzerdefinierte, fine-getunte LLMs in der Cloud unter Berücksichtigung von Skalierbarkeit und Evaluations-Pipelines

"Indem er das Potenzial sowohl von Open-Source- als auch von Closed-Source-Modellen ausbalanciert, gilt Quick Start Guide to Large Language Models als umfassender Leitfaden zum Verständnis und zur Nutzung von LLMs, der die Lücke zwischen theoretischen Konzepten und praktischer Anwendung schließt."
-- Giada Pistilli , leitende Ethikerin bei HuggingFace

"Eine erfrischende und inspirierende Ressource. Randvoll mit praktischen Anleitungen und klaren Erklärungen, die Sie über dieses unglaubliche neue Feld klüger machen."
-- Pete Huang , Autor von The Neuron

Registrieren Sie Ihr Buch für bequemen Zugriff auf Downloads, Updates und/oder Korrekturen, sobald diese verfügbar sind. Details finden Sie im Buch.