课程大纲

LLM 和生成式 AI 简介

  • 探索技术和模型
  • 讨论应用程序和用例
  • 确定挑战和局限性

将 LLM 用于 NLU 任务

  • 情绪分析
  • 命名实体识别
  • 关系提取
  • 语义解析

将 LLM 用于 NLI 任务

  • 蕴涵检测
  • 矛盾检测
  • 释义检测

将 LLM 用于知识图谱

  • 从文本中提取事实和关系
  • 推断缺失或新的事实
  • 将知识图谱用于下游任务

使用 LLM 进行常识推理

  • 生成合理的解释、假设和场景
  • 使用常识性知识库和数据集
  • 评估常识推理

使用 LLM 生成对话

  • 与对话代理、聊天机器人和虚拟助手生成对话
  • 管理对话
  • 使用对话数据集和指标

使用 LLM 进行多模态生成

  • 从文本生成图像
  • 从图像生成文本
  • 从文本或图像生成视频
  • 从文本生成音频
  • 从音频生成文本
  • 从文本或图像生成 3D 模型

使用 LLM 进行元学习

  • 使 LLM 适应新的领域、任务或语言
  • 从小样本或零样本示例中学习
  • 使用元学习和迁移学习数据集和框架

使用 LLM 进行对抗性学习

  • 保护 LLM 免受恶意攻击
  • 检测和减轻 LLM 中的偏差和错误
  • 使用对抗性学习和鲁棒性数据集和方法

评估 LLM 和生成式 AI

  • 评估内容质量和多样性
  • 使用初始分数、Fréchet 初始距离和 BLEU 分数等指标
  • 使用众包和调查等人工评估方法
  • 使用对抗性评估方法,如图灵测试和鉴别器

将伦理原则应用于 LLM 和生成式 AI

  • 确保公平和问责制
  • 避免误用和滥用
  • 尊重内容创作者和消费者的权利和隐私
  • 促进人类和人工智能的创造力和协作

摘要和后续步骤

要求

  • 了解基本的 AI 概念和术语
  • 具有 Python 编程和数据分析经验
  • 熟悉深度学习框架,如 TensorFlow 或 PyTorch
  • 了解 LLM 的基础知识及其应用

观众

  • 数据科学家
  • AI 开发人员
  • 人工智能爱好者
 21 小时

即将举行的公开课程

课程分类