Plan du cours

Introduction à la Personnalisation Avancée des Modèles

  • Aperçu du fine-tuning et de la gestion des prompts dans Vertex AI
  • Cas d'utilisation pour l'optimisation des modèles
  • Atelier pratique : configuration de l'espace de travail Vertex AI

Fine-Tuning Supervisé des Modèles Gemini

  • Préparation des données d'entraînement pour le fine-tuning
  • Exécution des pipelines de fine-tuning supervisé
  • Atelier pratique : fine-tuning d'un modèle Gemini

Ingénierie des Prompts et Gestion des Versions

  • Conception de prompts efficaces pour l'IA générative
  • Gestion des versions et reproductibilité
  • Atelier pratique : création et test des versions de prompts

Évaluation et Benchmarking

  • Aperçu des bibliothèques d'évaluation dans Vertex AI
  • Automatisation des workflows de test et validation
  • Atelier pratique : évaluation des prompts et sorties

Déploiement et Surveillance des Modèles

  • Intégration des modèles optimisés dans les applications
  • Surveillance de la performance et détection du dérive
  • Atelier pratique : déploiement d'un modèle fine-tuné

Meilleures Pratiques pour l'Optimisation des AI Entreprises

  • Scalabilité et gestion des coûts
  • Considérations éthiques et atténuation du biais
  • Cas d'étude : amélioration des applications IA en production

Directions Futures dans le Fine-Tuning et la Gestion des Prompts

  • Tendances émergentes dans l'optimisation des LLM
  • Adaptation automatique des prompts et apprentissage par renforcement
  • Implications stratégiques pour l'adoption entre les entreprises

Récapitulation et Étapes Suivantes

Pré requis

  • Expérience avec les workflows d'apprentissage automatique
  • Connaissance du langage de programmation Python
  • Familiarité avec les plateformes AI basées sur le cloud

Audience

  • Ingénieurs IA
  • Praticiens MLOps
  • Data scientists
 14 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires