Справочник инженера LLM

Искусственный интеллект переживает стремительное развитие, и большие языковые модели (LLMs) играют ключевую роль в этой революции. Эта книга предлагает глубокие знания о проектировании, обучении и развертывании LLM в реальных сценариях, используя передовые практики MLOps. В книге рассматривается создание эффективной, масштабируемой и модульной системы на основе LLM, выходящей за рамки традиционных Jupyter-блокнотов и сосредоточенной на построении производственных решений.

Основные аспекты инженерии данных и LLM

Вы изучите основные аспекты инженерии данных, тонкой настройки с использованием контролируемого обучения и процесс деплоя. Практические примеры, такие как создание LLM Twin, помогут вам внедрить ключевые компоненты MLOps в собственных проектах. Книга также рассматривает передовые технологии в области оптимизации вывода, выравнивания предпочтений и обработки данных в реальном времени, что делает её незаменимым источником для инженеров, работающих с языковыми моделями.

Преимущества изучения книги

К концу чтения вы овладеете навыками развертывания LLM, способных решать практические задачи с минимальной задержкой и высокой доступностью. Эта книга будет полезна как начинающим специалистам в сфере ИИ, так и опытным практикам, желающим углубить свои знания и навыки.

Целевая аудитория

Для кого эта книга?

Книга предназначена для инженеров AI, специалистов по обработке естественного языка и инженеров LLM, стремящихся углубить свои знания о языковых моделях. Рекомендуется базовое понимание LLM, генеративного ИИ, Python и AWS. Независимо от вашего уровня подготовки, вы получите комплексное руководство по применению LLM в реальных сценариях.

Навыки и умения

Чему вы научитесь:

• Реализовывать надежные конвейеры данных и управлять циклами обучения LLM
• Создавать собственные LLM и оптимизировать их с помощью практических примеров
• Освоить основы LLMOps через ключевые концепции, такие как оркестраторы и мониторинг подсказок
• Выполнять контролируемую тонкую настройку и оценку моделей
• Разворачивать комплексные решения на основе LLM с использованием AWS и других инструментов
• Проектировать масштабируемые и модульные системы LLM
• Изучить применение Retrieval-Augmented Generation (RAG), построив функции и конвейер вывода данных