Course Outline

Εισαγωγή σε LLMs και Generative AI

  • Διερεύνηση τεχνικών και μοντέλων
  • Συζήτηση εφαρμογών και περιπτώσεων χρήσης
  • Εντοπισμός προκλήσεων και περιορισμών

Χρήση LLM για Εργασίες NLU

  • Ανάλυση συναισθήματος
  • Αναγνώριση ονομαστικής οντότητας
  • Εξαγωγή σχέσης
  • Σημασιολογική ανάλυση

Χρήση LLM για Εργασίες NLI

  • Ανίχνευση συνεπειών
  • Ανίχνευση αντιφάσεων
  • Ανίχνευση παράφρασης

Χρήση LLM για Γραφήματα Γνώσης

  • Εξαγωγή γεγονότων και σχέσεων από το κείμενο
  • Εξαγωγή γεγονότων που λείπουν ή νέα
  • Χρήση γραφημάτων γνώσης για εργασίες κατάντη

Χρήση LLM για κοινή λογική

  • Δημιουργία εύλογων εξηγήσεων, υποθέσεων και σεναρίων
  • Χρήση βάσεων γνώσεων και συνόλων δεδομένων κοινής λογικής
  • Αξιολόγηση της κοινής λογικής

Χρήση LLM για τη δημιουργία διαλόγου

  • Δημιουργία διαλόγων με συνομιλητές, chatbot και εικονικούς βοηθούς
  • Διαχείριση διαλόγων
  • Χρήση συνόλων δεδομένων διαλόγου και μετρήσεων

Χρήση LLM για Πολυτροπική Δημιουργία

  • Δημιουργία εικόνων από κείμενο
  • Δημιουργία κειμένου από εικόνες
  • Δημιουργία βίντεο από κείμενο ή εικόνες
  • Δημιουργία ήχου από κείμενο
  • Δημιουργία κειμένου από ήχο
  • Δημιουργία τρισδιάστατων μοντέλων από κείμενο ή εικόνες

Χρήση LLM για Meta-Learning

  • Προσαρμογή LLM σε νέους τομείς, εργασίες ή γλώσσες
  • Μαθαίνοντας από παραδείγματα με λίγες ή μηδενικές λήψεις
  • Χρησιμοποιώντας μετα-μάθηση και μεταφορά συνόλων δεδομένων και πλαισίων μάθησης

Χρήση LLMs για Adversarial Learning

  • Προστασία των LLM από κακόβουλες επιθέσεις
  • Ανίχνευση και μετριασμός προκαταλήψεων και σφαλμάτων σε LLMs
  • Χρήση συνόλων δεδομένων και μεθόδων αντίθετης μάθησης και ευρωστίας

Αξιολόγηση LLMs και Generative AI

  • Αξιολόγηση της ποιότητας και της ποικιλομορφίας του περιεχομένου
  • Χρησιμοποιώντας μετρήσεις όπως η βαθμολογία έναρξης, η απόσταση έναρξης Fréchet και η βαθμολογία BLEU
  • Χρήση μεθόδων ανθρώπινης αξιολόγησης όπως crowdsourcing και έρευνες
  • Χρήση μεθόδων αξιολόγησης αντιπάλου όπως τα τεστ Turing και οι διακρίσεις

Εφαρμογή Αρχών Δεοντολογίας για LLM και Generative AI

  • Διασφάλιση δικαιοσύνης και λογοδοσίας
  • Αποφυγή κακής χρήσης και κατάχρησης
  • Σεβασμός των δικαιωμάτων και της ιδιωτικής ζωής των δημιουργών περιεχομένου και των καταναλωτών
  • Προώθηση της δημιουργικότητας και της συνεργασίας ανθρώπου και τεχνητής νοημοσύνης

Περίληψη και Επόμενα Βήματα

Requirements

  • Κατανόηση βασικών εννοιών και ορολογίας AI
  • Εμπειρία στον προγραμματισμό Python και στην ανάλυση δεδομένων
  • Εξοικείωση με πλαίσια βαθιάς μάθησης όπως TensorFlow ή PyTorch
  • Κατανόηση των βασικών μαθημάτων LLM και των εφαρμογών τους

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Προγραμματιστές AI
  • Λάτρεις της τεχνητής νοημοσύνης
 21 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories