Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione all’ottimizzazione dei modelli DeepSeek LLM
- Panoramica sui modelli DeepSeek, ad esempio DeepSeek-R1 e DeepSeek-V3
- Motivazioni alla base dell’ottimizzazione dei grandi modelli linguistici
- Confronto tra ottimizzazione del modello e tecniche di ingegneria delle istruzioni
Preparazione dei dataset per l’ottimizzazione
- Selezione di dati rilevanti rispetto al dominio specifico
- Tecniche di pre-elaborazione e pulizia dei dati
- Tokenizzazione e formattazione adatte ai modelli DeepSeek LLM
Configurazione dell’ambiente di ottimizzazione
- Impostazione delle risorse hardware come GPU e TPU
- Integrazione della libreria Hugging Face Transformers con i modelli DeepSeek LLM
- Comprensione dei parametri di configurazione utili per l’ottimizzazione
Esecuzione dell’ottimizzazione dei modelli DeepSeek LLM
- Implementazione della tecnica di ottimizzazione supervisionata
- Utilizzo di metodi come LoRA (Low-Rank Adaptation) e PEFT (Parameter-Efficient Fine-Tuning)
- Esecuzione dell’ottimizzazione in contesti distribuiti, anche con dataset molto grandi
Valutazione e miglioramento dei modelli ottimizzati
- Misurazione delle prestazioni mediante indicatori specifici di valutazione
- Strategie per evitare il sovra-adattamento o l’adattamento insufficiente del modello
- Ottimizzazione della velocità di inferenza e dell’efficienza complessiva del modello
Distribuzione dei modelli DeepSeek ottimizzati
- Preparazione dei modelli per la loro integrazione in servizi API
- Inserimento dei modelli nella struttura delle applicazioni esistenti
- Strategie di scalabilità della distribuzione grazie al cloud e al calcolo distribuito
Casi pratici e applicazioni reali
- Applicazioni di modelli ottimizzati nei settori finanziario, sanitario e nell’assistenza clienti
- Analisi dettagliata di casi studio a livello industriale
- Considerazioni etiche legate allo sviluppo di modelli AI per ambiti specializzati
Conclusioni e prossimi passi
Requisiti
- Esperienza nell’utilizzo di framework di machine learning e deep learning
- Conoscenza dei modelli a trasformatori e dei grandi modelli linguistici (LLM)
- Capacità di effettuare la pre-elaborazione dei dati e di gestire le tecniche di addestramento dei modelli
Pubblico destinatario
- Ricercatori nell’ambito dell’AI interessati all’ottimizzazione dei LLM
- Ingegneri del machine learning impegnati nello sviluppo di modelli AI personalizzati
- Sviluppatori esperti che implementano soluzioni basate sull’intelligenza artificiale
21 ore
