Generative AI für Fortgeschrittene – GAIF

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.
Jetzt beraten lassen

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte Frankfurt, München und Wien oder virtuell an unseren Klassenraumtrainings teil. Unter “Termin buchen” werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

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

Was werden Sie in diesem Training erlernen?

Die Teilnehmerinnen erwerben vertiefte Kenntnisse in der Anwendung und Optimierung von Generative AI, insbesondere in Bezug auf fortgeschrittene Techniken wie das Fine-Tuning von LLMs, die Entwicklung von AI-Agenten und die Implementierung von Retrieval Augmented Generation (RAG). Sie lernen, wie man LLMs für spezifische Anwendungsfälle anpasst, Open-Source-Modelle integriert, und groß angelegte Generative AI-Anwendungen verwaltet. Durch praxisorientierte Übungen in Python und TypeScript werden die Teilnehmerinnen befähigt, komplexe Modelle effektiv zu steuern, zu erweitern und zu skalieren.

Agenda

Fortgeschrittenes Prompt Engineering
Quellen: System Message Framework, Prompt Techniques
Anwendung fortgeschrittener Prompt-Techniken für komplexe Modelle.
Fine-Tuning von LLMs
Quellen: Azure OpenAI Fine-Tuning, Hugging Face Integration
Wie man LLMs für spezifische Anwendungsfälle anpasst und feinjustiert.
Retrieval Augmented Generation (RAG)
Quellen: RAG with Azure OpenAI
Entwicklung von Anwendungen mit RAG zur Einbettung von Abfragen in Vektor-Datenbanken.
AI-Agenten-Framework
Quellen: AutoGen Framework, Semantic Kernel
Einführung in das AI-Agenten-Framework zur Entwicklung von mehrstufigen AI-Agenten-Lösungen.
Open-Source-Modelle
Quellen: Open Source Models, Llama 2 Deployment
Verwendung und Integration von Open-Source-Modellen wie Llama 2 und anderen über Hugging Face.
Function Calling in AI-Anwendungen
Quellen: Azure OpenAI Function Calling
Erweiterte Nutzung von Function Calling und seine Anwendungsfälle.
LLM-Lifecycle-Management (LLMOps)
Quellen: LLMOps with Azure, GitHub Integration
Tools und Metriken zur Verwaltung und Überwachung des gesamten Lebenszyklus eines LLM.
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • AWS Organizations for multi-account access and permissions
  • AWS SSO to simplify access and authentication across AWS accounts and third-party services
  • AWS Control Tower
  • Permissions, access, and authentication
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications

Dein Training im Überblick

Dauer 3
Trainingssprache Deutsch
Trainingsart brainyCLASS (offen)

1.805,00 €

Startdatum und Ort wählen

Terminübersicht