Struttura del corso

Introduzione a QLoRA e alla Quantizzazione

  • Panoramica sulla quantizzazione e il suo ruolo nell'ottimizzazione dei modelli
  • Introduzione al framework QLoRA e i suoi vantaggi
  • Differenze principali tra QLoRA e i metodi tradizionali di fine-tuning

Fondamenti dei Modelli Linguistici Large (LLMs)

  • Introduzione ai LLMs e alla loro architettura
  • Sfide del fine-tuning di modelli grandi su larga scala
  • Come la quantizzazione aiuta a superare i vincoli computazionali nel fine-tuning dei LLMs

Implementazione di QLoRA per il Fine-Tuning dei LLMs

  • Configurazione del framework e dell'ambiente QLoRA
  • Preparazione dei dataset per il fine-tuning con QLoRA
  • Guida passo-passo per implementare QLoRA sui LLMs utilizzando Python e PyTorch/TensorFlow

Ottimizzazione delle Prestazioni di Fine-Tuning con QLoRA

  • Come bilanciare l'accuratezza del modello e le prestazioni con la quantizzazione
  • Tecniche per ridurre i costi computazionali e l'utilizzo della memoria durante il fine-tuning
  • Strategie per il fine-tuning con requisiti hardware minimi

Valutazione dei Modelli Fine-Tuned

  • Come valutare l'efficacia dei modelli fine-tuned
  • Metriche di valutazione comuni per i modelli linguistici
  • Ottimizzazione delle prestazioni del modello post-tuning e risoluzione dei problemi

Distribuzione e Scalabilità dei Modelli Fine-Tuned

  • Migliori pratiche per distribuire LLMs quantizzati negli ambienti di produzione
  • Scalabilità della distribuzione per gestire le richieste in tempo reale
  • Strumenti e framework per la distribuzione e il monitoraggio dei modelli

Casi d'Uso del Mondo Reale e Studi di Caso

  • Caso studio: Fine-tuning LLMs per il supporto al cliente e le task NLP
  • Esempi di fine-tuning LLMs in vari settori come sanità, finanza ed e-commerce
  • Lezioni apprese dalle distribuzioni reali dei modelli basati su QLoRA

Riepilogo e Prossimi Passi

Requisiti

  • Una comprensione delle fondamenta dell'apprendimento automatico e delle reti neurali
  • Esperienza con il fine-tuning dei modelli e l'apprendimento transfer
  • Familiarità con i grandi modelli linguistici (LLMs) e i framework di apprendimento profondo (ad esempio, PyTorch, TensorFlow)

Pubblico

  • Ingegneri di apprendimento automatico
  • Sviluppatori AI
  • Data scientists
 14 Ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative