Aperçu
Ce cours introduit les apprenants à l'IA générative et comment implémenter des cas d'utilisation courants de l'IA avec Snowflake. Le cours commence par une introduction aux concepts importants, la configuration de l'environnement de l'apprenant et la création d'une application simple.
Il est suivi par l'apprentissage de l'utilisation des fonctions Cortex LLM pour accomplir de nombreuses tâches d'IA courantes, et se termine par l'apprentissage de l'ajustement des modèles de base pour effectuer des tâches spécifiques. Ce cours s'adresse à toute personne souhaitant se perfectionner en IA, mais il est particulièrement adapté aux data scientists, aux ingénieurs en ML/IA et aux professionnels de l'analyse de données.
Pour réussir dans ce cours, vous devez avoir des connaissances en Python, GenAI et LLMs.
Programme
- Introduction à GenAI sur Snowflake
Dans ce module, vous serez introduit aux concepts importants de l'IA générative et aux capacités de Snowflake pour les mettre en œuvre. Vous configurerez votre environnement pour commencer à mettre en œuvre des cas d'utilisation d'IA avec Snowflake. Vous construirez également une application IA simple pour analyser des données textuelles non structurées à partir de transcriptions d'appels, incluant : le chargement d'un ensemble de données depuis un compartiment AWS S3 dans une table Snowflake ; l'utilisation de modèles de fondation pour résumer les transcriptions au format json ; et la construction d'une interface utilisateur Streamlit pour l'application.
- Fonctions Basées sur LLM de Snowflake Cortex
Dans ce module, vous apprendrez à utiliser les fonctions LLM de Cortex pour accomplir de nombreuses tâches d'IA, incluant : comment mettre en œuvre des cas d'utilisation d'IA générative courants tels que la synthèse, la traduction, l'analyse de sentiments, et la classification de texte avec les fonctions spécifiques aux tâches de Cortex ; comment mettre en œuvre d'autres cas d'utilisation d'IA générative en utilisant les familles de modèles Llama, Mistral, et Anthropic avec l'ingénierie de prompts et la fonction COMPLETE de Cortex ; comment choisir un LLM pour leur cas d'utilisation, y compris quand choisir les modèles plus grands ou plus petits au sein d'une famille de modèles ; comment utiliser les fonctions d'assistance de Cortex pour estimer le nombre de tokens et le coût ; et comment tester leurs appels LLM pour des erreurs potentielles sans encourir le coût d'inférence associé.
- Personnaliser les Réponses de LLM avec le Fine-Tuning de Cortex
Dans ce module, vous apprendrez à affiner un LLM pour permettre une meilleure performance pour votre cas d'utilisation. Vous comprendrez comment distiller les capacités d'un grand modèle en un modèle plus petit. Vous apprendrez également : comment le Fine-Tuning Efficient en Paramètres (PEFT) peut réduire les exigences de données d'entraînement et les coûts ; comment générer des données d'entraînement et les diviser en ensembles de données d'entraînement et d'évaluation ; comment affiner un modèle de fondation, Mistral-7b, pour apprendre à répondre dans un style spécifique en utilisant la fonction FINETUNE de Cortex et le studio AI/ML sans code de Snowflake ; tester votre modèle affiné en utilisant la fonction COMPLETE de Cortex ; comment construire et partager une application IA simple en Python pour votre modèle affiné en utilisant Streamlit.
Enseigné par
Snowflake Northstar
Sujets
Affaires
