Kerangka Materi

Pengantar Model Bahasa Besar Open-Source (LLMs)

  • Gambaran umum DeepSeek, Mistral, LLaMA, dan model open-source lainnya
  • Cara kerja LLMs: Transformers, self-attention, dan pelatihan
  • Perbandingan antara model LLM open-source dengan model proprietary

Penyetelan dan Penyesuaian LLMs

  • Persiapan data untuk penyetelan ulang
  • Pelatihan dan optimasi LLMs menggunakan Hugging Face
  • Evaluasi kinerja model dan mitigasi bias

Membangun Agen AI dengan LLMs

  • Pengenalan LangChain untuk pengembangan agen AI
  • Desain alur kerja berbasis agen dengan LLMs
  • Memori, generasi yang didukung oleh pemulihan (RAG), dan eksekusi tindakan

Menerapkan Agen AI Berbasis LLMs

  • Containerisasi agen AI dengan Docker
  • Integrasi LLMs ke dalam aplikasi perusahaan
  • Penskalaan agen AI dengan layanan cloud dan API

Keamanan dan Kepatuhan dalam AI Perusahaan

  • Pertimbangan etis dan kepatuhan regulasi
  • Mitigasi risiko dalam otomatisasi AI
  • Pemantauan dan audit perilaku agen AI

Studi Kasus dan Aplikasi Nyata

  • Asisten virtual berbasis LLMs
  • Otomatisasi dokumen berbasis AI
  • Agen AI kustom untuk analitik perusahaan

Optimisasi dan Pemeliharaan Agen Berbasis LLMs

  • Perbaikan dan pembaruan model berkelanjutan
  • Penerapan siklus umpan balik dan pemantauan
  • Strategi untuk optimisasi biaya dan penyetelan kinerja

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman kuat tentang AI dan machine learning
  • Pengalaman dengan pemrograman Python
  • Kenalan dengan model bahasa besar (LLMs) dan pemrosesan bahasa alami (NLP)

Audience

  • Insinyur AI
  • Pengembang perangkat lunak enterprise
  • Pemimpin bisnis
 21 Jam

Jumlah Peserta


Biaya per Peserta

Testimoni (1)

Kursus Mendatang

Kategori Terkait