Generatywna sztuczna inteligencja z LangChain Łódź

Generatywne modele językowe, takie jak ChatGPT, zrewolucjonizowały techniki przetwarzania informacji: tekstu, obrazów i sekwencji wideo. Stosowanie uczenia głębokiego i modeli LLM już teraz mocno wpływa na przedsiębiorstwa i społeczeństwa. Potencjał tych innowacji jest ogromny: generatywne modele językowe stały się wiodącym trendem w tworzeniu aplikacji i analizie danych. Dzięki tej przystępnej książce, przeznaczonej dla programistów i badaczy, zrozumiesz podstawy techniczne modeli LLM. Dowiesz się, do czego można je zastosować, i odkryjesz elegancję ich architektury. Nauczysz się praktycznego korzystania z frameworka LangChain, zaprojektowanego do tworzenia responsywnych aplikacji. Dowiesz się, jak dostrajać model, jak zadawać mu pytania, poznasz także sprawdzone metody wdrażania i monitorowania środowisk produkcyjnych, dzięki czemu łatwo zbudujesz narzędzia do pisania, zaawansowane roboty konwersacyjne czy nowatorskie pomoce dla programistów. Liczne praktyczne przykłady i fragmenty kodu ułatwią Ci nie tylko przyswojenie podstaw, ale także używanie modeli LLM w innowacyjny i odpowiedzialny sposób. Najciekawsze zagadnienia: mocne strony i ograniczenia LLM zastosowanie frameworka LangChain do tworzenia aplikacji AI modele transformatora i mechanizmy uwagi automatyzacja analizy danych i wizualizacji za pomocą języka Python i biblioteki pandas dostrajanie i wdrażanie modeli LLM z użyciem LangChain, a także strategie oceniające zapobieganie wyciekom danych Okiełznaj imponującą moc generatywnej AI! Spis treści: Wstęp Rozdział 1. Czym jest generatywna sztuczna inteligencja? Wprowadzenie do generatywnej sztucznej inteligencji Czym są modele generatywne? Dlaczego teraz? Zrozumienie modeli LLM Co to jest GPT? Inne modele LLM Główni gracze na rynku modeli LLM Jak działają modele GPT? Jak wypróbować generatywne modele językowe? Czym są modele przekładające tekst na obraz? Co sztuczna inteligencja może zrobić w innych dziedzinach? Podsumowanie Pytania Rozdział 2. LangChain dla aplikacji opartych a modelach LLM Wykraczanie poza papugę stochastyczną Ograniczenia modeli LLM Jak można łagodzić ograniczenia modeli LLM? Czym jest aplikacja oparta na modelu językowym? Co to jest LangChain? Kluczowe komponenty LangChain Czym są łańcuchy? Czym są agenty? Czym jest pamięć? Dostępne narzędzia Jak działa LangChain? Porównanie LangChain z innymi frameworkami Podsumowanie Pytania Rozdział 3. Rozpoczęcie pracy z LangChain Ustawienie środowiska na potrzeby przykładów z tej książki pip Poetry Conda Docker Integracja API modelu Model LLM atrapa OpenAI Hugging Face Platforma Google Cloud Jina AI Replicate Pozostali dostawcy Modele lokalne Transformery Hugging Face llama.cpp GPT4All Budowanie aplikacji dla działu obsługi klienta Podsumowanie Pytania Rozdział 4. Budowanie skutecznych agentów Łagodzenie zjawiska halucynacji przez sprawdzanie faktów Streszczanie informacji Podstawowe monity Szablony monitów Łańcuch zagęszczania Potoki "mapuj-redukuj" Monitorowanie liczby tokenów Wyciąganie informacji z dokumentów Odpowiadanie na pytania z użyciem narzędzi Pozyskiwanie informacji z użyciem narzędzi Budowanie interfejsu wizualnego Strategie rozumowania Podsumowanie Pytania Rozdział 5. Tworzenie robota konwersacyjnego na kształt ChatGPT Co to jest chatbot? Pobieranie i wektory Osadzenia Przechowywanie wektorów Wczytywanie i pobieranie w LangChain Moduły wczytujące dokumenty Moduły pobierające w LangChain Implementacja chatbota Moduł wczytujący dokumenty w chatbocie Wektorowa baza danych dla chatbota Pamięć Moderowanie odpowiedzi Podsumowanie Pytania Rozdział 6. Tworzenie oprogramowania z pomocą generatywnej sztucznej inteligencji Wytwarzanie oprogramowania a sztuczna inteligencja Modele LLM dla kodu Pisanie kodu za pomocą modeli LLM StarCoder StarChat Llama 2 Mały lokalny model Zautomatyzowane tworzenie oprogramowania Podsumowanie Pytania Rozdział 7. Modele LLM w analizie danych Wpływ generatywnych modeli na analizy danych Automatyzacje w danologii Zbieranie danych Wizualizacje oraz badania eksploracyjne Wstępne przetwarzanie danych i wyciąganie cech AutoML Odpowiadanie na pytania o dane za pomocą agentów Odkrywanie danych za pomocą modeli LLM Podsumowanie Pytania Rozdział 8. Niestandardowe modele LLM i zwracane przez nie rezultaty Warunkowanie modeli LLM Metody warunkowania Dostrajanie Przygotowanie do dostrajania Modele z otwartym źródłem Modele komercyjne Inżynieria monitu Techniki tworzenia monitów Podsumowanie Pytania Rozdział 9. Generatywna sztuczna inteligencja w produkcji Przygotowanie aplikacji LLM do wdrożenia do produkcji Terminologia Ocena aplikacji LLM Porównywanie dwóch wyników Porównywanie z kryteriami Porównania ciągów znaków i porównania znaczeniowe Przeprowadzanie oceny na zestawach danych Wdrażanie aplikacji LLM Serwer webowy FastAPI Ray Obserwacja aplikacji LLM Śledzenie odpowiedzi Narzędzia do obserwacji LangSmith PromptWatch Podsumowanie Pytania Rozdział 10. Przyszłość modeli generatywnych Obecny stan generatywnej sztucznej inteligencji Wyzwania Trendy w tworzeniu i rozwijaniu modeli Giganci technologiczni vs małe przedsiębiorstwa Ogólna sztuczna inteligencja Konsekwencje ekonomiczne Branże kreatywne i marketing Edukacja Prawo Przemysł wytwórczy Medycyna Wojsko Wpływ na społeczeństwo Dezinformacja i bezpieczeństwo cyfrowe Regulacje i wyzwania związane z wdrażaniem przepisów Przyszłość O autorze: Dr Ben Auffarth jest doświadczonym liderem w dziedzinie analizy danych. Zajmował się symulacją aktywności mózgu na superkomputerach z 64 tysiącami rdzeni, zaprojektował i przeprowadził wiele eksperymentów, trenował sieci neuronowe na milionach dokumentów.