Programa do Curso

Introdução aos LLMs e à IA generativa

  • Exploração de técnicas e modelos
  • Discutir aplicações e casos de utilização
  • Identificar desafios e limitações

Utilização de LLMs para tarefas de NLU

  • Análise de sentimentos
  • Reconhecimento de entidades nomeadas
  • Extração de relações
  • Análise semântica

Utilização de LLMs para tarefas NLI

  • Deteção de enredos
  • Deteção de contradições
  • Deteção de paráfrases

Utilização de LLMs para gráficos de conhecimento

  • Extração de factos e relações do texto
  • Inferir factos novos ou em falta
  • Utilização de gráficos de conhecimento para tarefas a jusante

Utilização de LLMs para raciocínio de senso comum

  • Geração de explicações, hipóteses e cenários plausíveis
  • Utilizar bases de conhecimento e conjuntos de dados de senso comum
  • Avaliar o raciocínio de senso comum

Utilização de LLMs para geração de diálogos

  • Gerar diálogos com agentes de conversação, chatbots e assistentes virtuais
  • Gerir diálogos
  • Utilização de conjuntos de dados e métricas de diálogos

Utilização de LLMs para geração multimodal

  • Geração de imagens a partir de texto
  • Geração de texto a partir de imagens
  • Geração de vídeos a partir de texto ou imagens
  • Geração de áudio a partir de texto
  • Geração de texto a partir de áudio
  • Geração de modelos 3D a partir de texto ou imagens

Utilizar LLMs para meta-aprendizagem

  • Adaptar LLMs a novos domínios, tarefas ou linguagens
  • Aprender a partir de exemplos com poucos ou nenhuns disparos
  • Utilizar conjuntos de dados e quadros de meta-aprendizagem e aprendizagem por transferência

Utilização de LLMs para aprendizagem adversária

  • Defender as LLM de ataques maliciosos
  • Deteção e atenuação de enviesamentos e erros nas LLMs
  • Utilização de conjuntos de dados e métodos de aprendizagem adversarial e de robustez

Avaliar LLMs e IA generativa

  • Avaliar a qualidade e a diversidade dos conteúdos
  • Utilizando métricas como a pontuação inicial, a distância inicial de Fréchet e a pontuação BLEU
  • Utilizando métodos de avaliação humana, como crowdsourcing e inquéritos
  • Utilização de métodos de avaliação adversários, como testes de Turing e discriminadores

Aplicação de princípios éticos para LLMs e IA generativa

  • Garantir a equidade e a responsabilidade
  • Evitar a má utilização e o abuso
  • Respeitar os direitos e a privacidade dos criadores de conteúdos e dos consumidores
  • Promover a criatividade e a colaboração entre humanos e IA

Resumo e próximos passos

Requisitos

  • Conhecimento dos conceitos e da terminologia básicos da IA
  • Experiência em programação Python e análise de dados
  • Familiaridade com quadros de aprendizagem profunda, como TensorFlow ou PyTorch
  • Uma compreensão dos conceitos básicos de LLMs e suas aplicações

Público-alvo

  • Cientistas de dados
  • Programadores de IA
  • Entusiastas de IA
 21 horas

Número de participantes



Preço por participante

Declaração de Clientes (1)

Cursos Relacionados

Categorias Relacionadas