Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao QLoRA e Quantização
- Visão geral da quantização e seu papel na otimização de modelos
- Introdução ao framework QLoRA e seus benefícios
- Diferenças-chave entre o QLoRA e métodos tradicionais de fine-tuning
Fundamentos do Large Language Models (LLMs)
- Introdução a LLMs (Modelos de Linguagem Grandes) e sua arquitetura
- Desafios do fine-tuning de grandes modelos em larga escala
- Como a quantização ajuda a superar as restrições computacionais no fine-tuning de LLMs
Implementando QLoRA para Fine-Tuning LLMs
- Configurando o framework e ambiente do QLoRA
- Preparando conjuntos de dados para fine-tuning com QLoRA
- Guia passo a passo para implementar QLoRA em LLMs usando Python e PyTorch/TensorFlow
Otimizando o Desempenho do Fine-Tuning com QLoRA
- Como equilibrar a precisão e o desempenho do modelo com quantização
- Técnicas para reduzir custos computacionais e uso de memória durante o fine-tuning
- Estratégias para fine-tuning com requisitos mínimos de hardware
Avaliando Modelos Fine-Tuned
- Como avaliar a eficácia dos modelos fine-tuned
- Métricas de avaliação comuns para modelos de linguagem
- Otimizando o desempenho do modelo após o tuning e solucionando problemas
Implantando e Escalando Modelos Fine-Tuned
- Práticas recomendadas para implantar LLMs quantizados em ambientes de produção
- Escalar implantação para lidar com solicitações em tempo real
- Ferramentas e frameworks para implantação e monitoramento do modelo
Casos Reais Use Case e Estudos de Caso
- Estudo de caso: Fine-tuning de LLMs para suporte ao cliente e tarefas de PLN (Processamento de Linguagem Natural)
- Exemplos de fine-tuning de LLMs em várias indústrias como saúde, finanças e comércio eletrônico
- Livros aprendidos com implantações reais de modelos baseados em QLoRA
Resumo e Próximos Passos
Requisitos
- Compreensão dos fundamentos de aprendizado de máquina e redes neurais
- Experiência com ajuste fino de modelos e transfer learning
- Familiaridade com grandes modelos linguísticos (LLMs) e frameworks de deep learning (por exemplo, PyTorch, TensorFlow)
Público-alvo
- Engenheiros de aprendizado de máquina
- Desenvolvedores de IA
- Cientistas de dados
14 Horas
