نویسنده(ها): تیم تحریریه Towards AI در اصل در Towards AI منتشر شده است. صبح بخیر، علاقه مندان به هوش مصنوعی! این هفته، من بسیار هیجان زده هستم که سرانجام اعلام کنم که اولین دوره مستقل خود را با تمرکز بر صنعت منتشر کردیم: از مبتدی تا توسعه دهنده LLM پیشرفته. یک دوجین کارشناس (دکترای سابق، فارغ التحصیل، و صنعت ناامید) و یک سال کار اختصاصی را در نظر بگیرید و عملی ترین و عمیق ترین دوره برنامه نویس LLM را در آنجا دریافت کنید (حدود 90 درس). این یک تبدیل یک مرحله ای برای توسعه دهندگان نرم افزار، مهندسان یادگیری ماشین، دانشمندان داده یا دانشجویان علوم AI / کامپیوتر است. دوره را اینجا بررسی کنید! وقتی دکترای خود را ترک کردم تا راه حل های عملی بسازم، متوجه شدم که اختلاف زیادی بین دانشگاه و صنعت وجود دارد، و حتی در دوران LLM بدتر است. بنابراین، همه چیزهایی را که روی ساخت محصولات و سیستم‌های هوش مصنوعی کار کرده‌ایم جمع‌آوری کرده‌ایم و آنها را در یک دوره آموزشی بسیار کاربردی متمرکز بر صنعت قرار داده‌ایم. در حال حاضر، این به معنای کار با Python، OpenAI، Perplexity، LlamaIndex، Gradio و بسیاری از ابزارهای شگفت انگیز دیگر است. اگرچه این دوره فوق العاده عملی است (برای ساختن یک پروژه در دنیای واقعی)، ما معتقدیم که این دوره مفاهیمی را آموزش می دهد که حتی با بهبود LLM ها برای مدت طولانی مرتبط باقی خواهند ماند، مانند کاهش توهمات، آموزش نحوه کار و استفاده از آنها. ، چند نظریه و نکات جالب و موارد دیگر. تنها مهارت مورد نیاز برای کتاب مقداری دانش پایتون (یا برنامه نویسی) است. ما مجموعه کاملی از یادگیری برای ایجاد بر روی LLMهای پایه را پوشش می دهیم – از انتخاب یک برنامه کاربردی LLM مناسب تا جمع آوری داده ها، تکرار بر روی بسیاری از تکنیک های پیشرفته (RAG، تنظیم دقیق، عوامل)، یکپارچه سازی تخصص صنعت، و استقرار. دانش‌آموزان محصولی کارآمد ایجاد می‌کنند که ما آن را تأیید می‌کنیم و همچنین در کانال Discord خود پشتیبانی مربیان دانشجویان را ارائه می‌کنیم. تمام اطلاعات را مستقیماً در صفحه دوره ما بیابید! — Louis-François Bouchard، به‌سوی مؤسس هوش مصنوعی و رئیس بخش انجمن با هم هوش مصنوعی را بیاموزید! نظرسنجی هفته هوش مصنوعی! من از دیدن نتایج نظرسنجی کاملا متعجب شدم. این روند به سمت یادگیری مبتنی بر مهارت در حال حرکت بود و LLM ها نیز آن را تسریع کردند. بنابراین، برای کسانی که پاسخ مثبت دادند، من کاملاً کنجکاو هستم که بدانم چرا. آن را در تاپیک به اشتراک بگذارید، بیایید چت کنیم! فرصت های همکاری انجمن Learn AI Together Discord مملو از فرصت های همکاری است. اگر هیجان زده هستید که در هوش مصنوعی کاربردی شیرجه بزنید، یک شریک تحصیلی می خواهید، یا حتی می خواهید برای پروژه اشتیاق خود شریکی پیدا کنید، به کانال همکاری بپیوندید! مراقب این بخش نیز باشید – ما هر هفته فرصت های جالبی را به اشتراک می گذاریم! 1. Wildgamingyt به دنبال توسعه دهندگان هوش مصنوعی برای یک پروژه است. اگر از ساخت ربات‌های چت هوش مصنوعی لذت می‌برید یا می‌خواهید آن را امتحان کنید، در تاپیک تماس بگیرید! 2. آکشاو یک خبرنامه در Substack می نویسد و برای تحقیق و تجسم داده ها به کمک نیاز دارد. اگر کمی وقت دارید و می خواهید روی چنین چیزی کار کنید، در تاپیک وصل شوید! میم هفته! Meme به اشتراک گذاشته شده توسط rucha8062 TAI بخش سرپرستی مقاله هفته باز کردن قفل فناوری‌های کلیدی در تجزیه اسناد توسط Florian ژوئن این مقاله مروری جامع از فناوری‌های تجزیه اسناد ارائه می‌کند، که هم سیستم‌های خط لوله مدولار و هم رویکردهای انتها به انتها را با استفاده از مدل‌های زبان بینایی بزرگ پوشش می‌دهد. جنبه های کلیدی مانند تجزیه و تحلیل طرح، OCR، تشخیص عبارت ریاضی، تشخیص و تشخیص جدول، و پردازش نمودار را بررسی می کند. این ابزارهای منبع باز محبوب را برجسته می کند و عملکرد آنها را برای استخراج متن و جدول ارزیابی می کند. در حالی که سیستم های مدولار در حال حاضر به طور گسترده مورد استفاده قرار می گیرند، مدل های انتها به انتها پتانسیل پیشرفت های آینده را نشان می دهند. همچنین چالش‌ها و جهت‌گیری‌های آینده را مورد بحث قرار می‌دهد و بر نیاز به مجموعه داده‌های متنوع، تفسیرپذیری بهبود یافته و حلقه‌های بازخورد برای بهبود عملکرد مدل و پرداختن به انواع سند پیچیده تأکید می‌کند. مقاله‌های ما باید بخوانید 1. کاوش رویکرد نظریه تصمیم‌گیری علّی با رگرسیون چندکی نوشته Shenggang Li این مقاله با ترکیب نظریه تصمیم‌گیری علّی (CDT) با رگرسیون چندکی، رویکرد تصمیم‌گیری‌های مجدد در تدارکات زنجیره تأمین را بررسی می‌کند. این روش از یک مدل یادگیری ماشینی برای پیش‌بینی تقاضا در سطوح مختلف استفاده می‌کند و به درک دقیق‌تری از تغییرپذیری تقاضا و ریسک اجازه می‌دهد. با ترکیب عواملی مانند موجودی فعلی، زمان تحویل و اهمیت محصول، این مدل یک تابع مطلوبیت را محاسبه می‌کند که اولویت‌ها و مقادیر مجدد را هدایت می‌کند و بازده بالقوه را در برابر ریسک‌های مختلف متعادل می‌کند. همچنین رویکردی را با استفاده از کد پایتون و مجموعه داده‌های دنیای واقعی نشان می‌دهد و نشان می‌دهد که چگونه می‌توان از آن برای بهینه‌سازی تصمیم‌های ذخیره مجدد در محصولات مختلف در زنجیره تامین استفاده کرد. 2. انتخاب بهترین مدل جاسازی برای خط لوله RAG شما توسط Nilesh Raghuvanshi این مقاله بر اهمیت بهینه سازی بازیابی در سیستم های Retrieval-Augmented Generation (RAG) تاکید می کند. از ارزیابی سیستماتیک مدل‌های جاسازی، که برای جستجوی معنایی در خطوط لوله RAG بسیار مهم هستند، حمایت می‌کند. این روشی را برای تولید یک مجموعه داده مصنوعی بر اساس داده‌های دامنه خاص برای معیار عملکرد مدل با استفاده از معیارهایی مانند NDCG، MRR، MAP، Recall و Precision پیشنهاد می‌کند. این مقاله با نمایش یک ارزیابی نمونه با استفاده از داده‌های اسناد SimTalk به پایان می‌رسد و نیاز به تجزیه و تحلیل و تفسیر بیشتر نتایج را برای بهینه‌سازی موثر سیستم‌های RAG برجسته می‌کند. 3. DSPy: نگرش یادگیری ماشین نسبت به درخواست LLM توسط Serj Smorodinsky این مقاله DSPy را معرفی می‌کند، چارچوبی که برای ساده‌سازی و بهینه‌سازی وظایف مبتنی بر LLM با انتزاع مهندسی سریع طراحی شده است. DSPy به کاربران این امکان را می‌دهد تا وظایف را با استفاده از نحو پایتونیک تعریف کنند و چارچوب به‌طور خودکار دستورات را تولید و بهینه‌سازی کند. مزایای DSPy از جمله بهبود خوانایی کد، مدولار بودن و ابزارهای ارزیابی داخلی را برجسته می کند. همچنین یک مورد استفاده شامل یک طبقه‌بندی کننده هدف مبتنی بر LLM برای مکالمات خدمات مشتری را نشان می‌دهد، که نشان می‌دهد چگونه DSPy ایجاد و بهینه‌سازی سریع را در مقایسه با روش‌های دستکاری رشته سنتی ساده می‌کند. اگر علاقه مند به انتشار با Towards AI هستید، دستورالعمل های ما را بررسی کرده و ثبت نام کنید. اگر کار شما با خط مشی ها و استانداردهای ویرایشی ما مطابقت داشته باشد، ما آن را در شبکه خود منتشر خواهیم کرد. به هزاران رهبر داده در خبرنامه هوش مصنوعی بپیوندید. به بیش از 80000 مشترک بپیوندید و از آخرین پیشرفت‌های هوش مصنوعی مطلع شوید. از تحقیق گرفته تا پروژه ها و ایده ها. اگر در حال ساختن یک استارتاپ هوش مصنوعی، یک محصول مرتبط با هوش مصنوعی یا یک سرویس هستید، از شما دعوت می‌کنیم که اسپانسر شوید. منتشر شده از طریق Towards AI
منبع: https://towardsai.net/p/l/49-why-become-an-llm-developer
