Generative AI für Fortgeschrittene

Dieser Training baut auf den Grundlagen von Generative AI für Einsteiger*innen auf und führt in fortgeschrittene Themen ein, darunter Fine-Tuning von LLMs, AI-Agenten-Frameworks, Retrieval Augmented Generation (RAG) und die Verwendung von Open-Source-Modellen. Die Teilnehmer*innen lernen, wie man LLMs feinjustiert, Suchanwendungen erweitert und Generative AI-Anwendungen in großem Maßstab verwaltet.
Praktische Übungen und Code-Beispiele in Python und TypeScript sind ebenfalls enthalten.

Der Generative AI für Fortgeschrittene vertieft die Inhalte von Generative AI für Einsteiger und bietet eine praxisorientierte Einführung in fortgeschrittene Konzepte wie RAG, AI-Agenten und Fine-Tuning.

Dieses Training richtet sich an Entwickler*innen, die bereits Grundkenntnisse in Generative AI besitzen und fortgeschrittene Techniken zur Erstellung und Optimierung von KI-Anwendungen erlernen möchten.

• Teilnahme am Generative AI für Einsteiger oder gleichwertige Kenntnisse
• Erfahrung mit Python, API-Integration, und Grundkenntnisse in Generative AI

Fortgeschrittenes Prompt Engineering

• Anwendung fortgeschrittener Prompt-Techniken für komplexe Modelle.
• Quellen: System Message Framework, Prompt Techniques

Fine-Tuning von LLMs

• Wie man LLMs für spezifische Anwendungsfälle anpasst und feinjustiert.
• Quellen: Azure OpenAI Fine-Tuning, Hugging Face Integration

Retrieval Augmented Generation (RAG)

• Entwicklung von Anwendungen mit RAG zur Einbettung von Abfragen in Vektor-Datenbanken.
• Quellen: RAG with Azure OpenAI

AI-Agenten-Framework

• Einführung in das AI-Agenten-Framework zur Entwicklung von mehrstufigen AI-Agenten-Lösungen.
• Quellen: AutoGen Framework, Semantic Kernel

Open-Source-Modelle

• Verwendung und Integration von Open-Source-Modellen wie Llama 2 und anderen über Hugging Face.
• Quellen: Open Source Models, Llama 2 Deployment

Function Calling in AI-Anwendungen

• Erweiterte Nutzung von Function Calling und seine Anwendungsfälle.
• Quellen: Azure OpenAI Function Calling

LLM-Lifecycle-Management (LLMOps)

• Tools und Metriken zur Verwaltung und Überwachung des gesamten Lebenszyklus eines LLM.
• Quellen: LLMOps with Azure, GitHub Integration