Curso de LLMs Avançados para Tarefas de PLN

Introdução aos LLMs e à IA Generativa

• Explorando técnicas e modelos
• Discutindo aplicações e casos de uso
• Identificando desafios e limitações

Utilização dos LLMs para Tarefas de CLN

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

Utilização dos LLMs para Tarefas de ILN

• Deteção de entrelaçamento lógico (entailment)
• Deteção de contradições
• Deteção de paráfrases

Utilização dos LLMs para Grafos de Conhecimento

• Extração de fatos e relações a partir do texto
• Inferência de fatos ausentes ou novos
• Uso de grafos de conhecimento em tarefas subsequentes

Utilização dos LLMs para Raciocínio de Senso Comum

• Geração de explicações, hipóteses e cenários plausíveis
• Uso de bases de conhecimento e conjuntos de dados de senso comum
• Avaliação do raciocínio de senso comum

Utilização dos LLMs para Geração de Diálogos

• Geração de diálogos com agentes conversacionais, chatbots e assistentes virtuais
• Gestão de diálogos
• Uso de conjuntos de dados e métricas de diálogo

Utilização dos 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

Utilização dos LLMs para Meta-Aprendizado

• Adaptação dos LLMs a novos domínios, tarefas ou idiomas
• Aprendizado a partir de exemplos de poucos exemplos (few-shot) ou zero-shot
• Uso de conjuntos de dados e frameworks de meta-aprendizado e aprendizado por transferência

Utilização dos LLMs para Aprendizado Adversarial

• Proteção dos LLMs contra ataques maliciosos
• Deteção e mitigação de vieses e erros nos LLMs
• Uso de métodos e conjuntos de dados de aprendizado adversarial e robustez

Avaliação de LLMs e IA Generativa

• Avaliação da qualidade e diversidade do conteúdo
• Uso de métricas como Inception Score, Distância de Frechet Inception (FID) e pontuação BLEU
• Métodos de avaliação humana, como crowdsourcing e pesquisas
• Métodos de avaliação adversarial, como testes de Turing e discriminadores

Aplicação de Princípios Éticos para LLMs e IA Generativa

• Garantir equidade e responsabilidade
• Evitar mau uso e abuso
• Respeitar os direitos e a privacidade dos criadores e consumidores de conteúdo
• Promover a criatividade e a colaboração entre humanos e IA

Resumo e Próximos Passos