Optimizing Foundation Models (Japanese)

Resumen

このコースでは、基盤モデル (FM) のパフォーマンスを向上させる 2 つの手法である検索拡張生成 (RAG) とファインチューニングについて取り上げます。埋め込みを使用してエンコードしたベクトルを保存できるベクトルデータベースの AWS サービス、マルチステップタスクにおけるエージェントの役割、FM をファインチューニングするための定義方法、ファインチューニングのためにデータを準備する方法などについて学習します。

・コースレベル:

基礎

・所要時間:

1時間

アクティビティ

このコースには、インタラクティブな要素、テキストによる説明、イラスト入りのグラフィック、ナレッジチェックが含まれます。

コースの目標

このコースでは、以下について学習します。

• 埋め込みを使用してエンコードしたベクトルを保存できるベクトルデータベースの AWS サービスを特定する。
• マルチステップタスクにおけるエージェントの役割を理解する。
• FM のパフォーマンスを評価する方法を理解する。
• FM がビジネスの目標を効果的に満たすかどうかを判断する。
• FM をファインチューニングする方法を定義する。
• FM をファインチューニングするためにデータを準備する方法を説明する。
• ユースケースで特定されたビジネスメトリクスに基づいて、FM がビジネスの目標を効果的に満たすかどうかを判断する。

コースの対象者

このコースは次のような方を対象としています。

• 特定の職務とは関係なく、人工知能や機械学習 (AI/ML) に興味がある人

前提条件

「Optimizing Foundation Models」は、人工知能、機械学習、生成 AI の基礎知識を習得するシリーズの一部として提供されています。本コースの受講前に、以下の 2 つのコースを修了することをお勧めします。

• Fundamentals of Machine Learning and Artificial Intelligence
• Exploring Artificial Intelligence Use Cases and Applications

コースの概要

セクション 1:

はじめに

• このコースの受講方法
• コースの概要

セクション 2:

検索拡張生成による基盤モデルの最適化

• ビジネスケース
• 検索拡張生成 (RAG)
• エージェント
• 結果の評価
• ナレッジチェック

セクション 3:

ファインチューニングによる基盤モデルの最適化

• ビジネスケース
• ファインチューニング
• モデルの評価
• ナレッジチェック

セクション 4:

まとめ

• リソース
<

---

Materias