Kerangka Materi

Pendahuluan tentang LLMs dan Generative AI

  • Menjelajahi teknik dan model
  • Membahas aplikasi dan kasus penggunaan
  • Mengenali tantangan dan batasan

Menggunakan LLMs untuk Tugas NLU

  • Analisis sentimen
  • Pengenalan entitas teridentifikasi
  • Ekstraksi hubungan
  • Parsing semantik

Menggunakan LLMs untuk Tugas NLI

  • Deteksi penarikan
  • Deteksi kontradiksi
  • Deteksi paraphrase

Menggunakan LLMs untuk Graf Pengetahuan

  • Mengekstrak fakta dan hubungan dari teks
  • Menurunkan fakta yang hilang atau baru
  • Menggunakan grafik pengetahuan untuk tugas downstream

Menggunakan LLMs untuk Pemikiran Komonsensual

  • Membuat penjelasan, hipotesa, dan skenario yang memungkinkan
  • Menggunakan basis data dan dataset pengetahuan komonsensual
  • Mengevaluasi pemikiran komonsensual

Menggunakan LLMs untuk Generasi Dialog

  • Membuat dialog dengan agen percakapan, chatbot, dan asisten virtual
  • Mengelola dialog
  • Menggunakan dataset dan metrik dialog

Menggunakan LLMs untuk Generasi Multimodal

  • Membuat gambar dari teks
  • Membuat teks dari gambar
  • Membuat video dari teks atau gambar
  • Membuat audio dari teks
  • Membuat teks dari audio
  • Membuat model 3D dari teks atau gambar

Menggunakan LLMs untuk Meta-Learning

  • Menyesuaikan LLMs untuk domain, tugas, atau bahasa baru
  • Belajar dari contoh few-shot atau zero-shot
  • Menggunakan dataset dan kerangka meta-learning dan transfer learning

Menggunakan LLMs untuk Pembelajaran Adversarial

  • Melindungi LLMs dari serangan yang berbahaya
  • Mendeteksi dan memitigasi bias dan kesalahan dalam LLMs
  • Menggunakan dataset dan metode pembelajaran adversarial dan ketahanan

Mengevaluasi LLMs dan Generative AI

  • Menilai kualitas dan keanekaragaman konten
  • Menggunakan metrik seperti inception score, Fréchet inception distance, dan BLEU score
  • Menggunakan metode evaluasi manusia seperti crowdsourcing dan survei
  • Menggunakan metode evaluasi adversarial seperti Turing tests dan discriminators

Menerapkan Prinsip Etik untuk LLMs dan Generative AI

  • Menjamin keadilan dan pertanggungjawaban
  • Menghindari penyebaran dan penyalahgunaan
  • Menghormati hak dan privasi pemakai dan konsumen konten
  • Memupuk kreativitas dan kolaborasi antara manusia dan AI

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pahaman mengenai konsep dan terminologi dasar AI
  • Pengalaman dalam pemrograman Python dan analisis data
  • Kenalan dengan kerangka kerja deep learning seperti TensorFlow atau PyTorch
  • Pahaman mengenai dasar-dasar LLMs dan aplikasi mereka

Peserta

  • Ilmuwan data
  • Pengembang AI
  • Pecinta AI
 21 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait