Wprowadzenie

1. Podstawy generatywnej sztucznej inteligencji, przypadki użycia i cykl życia projektu

• Przykłady użycia i zadania
• Modele podstawowe i centra modeli
• Cykl życia projektu generatywnej sztucznej inteligencji
• Generatywna sztuczna inteligencja w chmurze AWS
• Dlaczego chmura AWS?
• Tworzenie aplikacji opartych na generatywnej sztucznej inteligencji w chmurze AWS
• Podsumowanie

2. Inżynieria monitu i uczenie kontekstowe

• Monity i uzupełnienia
• Tokeny
• Inżynieria monitu
• Struktura monitu
  • Instrukcja
  • Kontekst
• Uczenie kontekstowe na kilku przykładach
  • Uczenie bez przykładów
  • Uczenie na jednym przykładzie
  • Uczenie na kilku przykładach
  • Błędne uczenie kontekstowe
  • Dobre praktyki uczenia kontekstowego
• Dobre praktyki inżynierii monitu
• Parametry wnioskowania
• Podsumowanie

3. Podstawowe duże modele językowe

• Podstawowe duże modele językowe
• Tokenizery
• Wektory osadzeń
• Architektura transformera
  • Dane wejściowe i okno kontekstowe
  • Osadzenia
  • Koder
  • Warstwy samouwagi
  • Dekoder
  • Funkcja softmax
• Rodzaje modeli podstawowych opartych na transformerach
• Zbiory danych do wstępnego trenowania modeli
• Reguły skalowania
• Modele optymalne obliczeniowo
• Podsumowanie

4. Optymalizacja pamięci i obliczeń

• Wyzwania pamięciowe
• Typy i precyzja danych
• Kwantyzacja
  • Typ fp16
  • Typ bfloat16
  • Typ fp8
  • Typ int8
• Optymalizacja warstw samouwagi
  • FlashAttention
  • Grouped-Query Attention
• Rozproszone przetwarzanie danych
  • Algorytm DDP
  • Algorytm FSDP
  • Porównanie wydajności algorytmów FSDP i DDP
• Rozproszone przetwarzanie danych w chmurze AWS
  • Algorytm FSDP w klastrze Amazon SageMaker
  • Pakiet AWS Neuron SDK i akcelerator AWS Trainium
• Podsumowanie

5. Dostrajanie i ocenianie modelu

• Dostrajanie za pomocą instrukcji
  • Llama 2-Chat
  • Falcon-Chat
  • FLAN-T5
• Zbiór instrukcji
  • Zbiór różnorodnych instrukcji
  • FLAN - przykładowy zbiór różnorodnych instrukcji
  • Szablon monitu
  • Konwersja niestandardowego zbioru danych w zbiór instrukcji
• Dostrajanie modelu za pomocą niestandardowych instrukcji
  • Amazon SageMaker Studio
  • Amazon SageMaker JumpStart
  • Klasa Amazon SageMaker Estimator dla centrum Hugging Face
• Ocenianie modelu
  • Wskaźniki skuteczności
  • Testy porównawcze i zbiory danych
• Podsumowanie

6. Dostrajanie PEFT

• Dostrajanie pełne i PEFT
• LoRA i QLoRA
  • Podstawy techniki LoRA
  • Rząd macierzy
  • Docelowe moduły i warstwy
  • Implementacja techniki LoRA
  • Scalanie adaptera LoRA z oryginalnym modelem
  • Osobne adaptery LoRA
  • Skuteczność dostrajania pełnego i LoRA
  • QLoRA
• Zmiękczanie i dostrajanie monitu
• Podsumowanie

7. Metoda RLHF

• Ludzkie wartości: przydatność, uczciwość, nieszkodliwość
• Podstawy uczenia przez wzmacnianie
• Niestandardowy system nagradzania
  • Gromadzenie danych treningowych z zaangażowaniem człowieka
  • Przykładowe instrukcje dla adnotatorów
  • Gromadzenie adnotacji z wykorzystaniem usługi Amazon SageMaker Ground Truth
  • Przygotowanie danych do wytrenowania systemu nagradzania
  • Trening systemu nagradzania
• System nagradzania - detektor toksyczności firmy Meta
• Dostrajanie modelu z wykorzystaniem techniki RLHF
  • Zastosowanie systemu nagradzania i techniki RLHF
  • Algorytm PPO
  • Dostrajanie modelu przy użyciu techniki RLHF i algorytmu PPO
  • Zapobieganie hakowaniu nagród
  • Zastosowanie dostrajania PEFT i techniki RLHF
• Ocenianie modelu dostrojonego z użyciem techniki RLHF
  • Ocena jakościowa
  • Ocena ilościowa
  • Załadowanie systemu oceniania
  • Definicja funkcji zwracającej zagregowaną ocenę
  • Porównanie ocen przed dostrojeniem i po nim
• Podsumowanie

8. Optymalizacja wdrożenia modelu

• Optymalizacja modelu pod kątem wnioskowania
  • Przycinanie modelu
  • Kwantyzacje PTQ i GPTQ
  • Destylacja
• Kontener LMI
• AWS Inferentia: specjalny sprzęt do wnioskowania
• Strategie aktualizowania i wdrażania modeli
  • Testy A/B
  • Wdrożenie równoległe
• Wskaźniki i monitoring
• Autoskalowanie
  • Zasady autoskalowania
  • Definiowanie zasady autoskalowania
• Podsumowanie

9. Aplikacje wnioskujące kontekstowo w oparciu o technikę RAG i agentów

• Ograniczenia modeli LLM
  • Halucynacje
  • Odcięcie wiedzy
• Generowanie wspomagane pobieraniem
  • Zewnętrzne źródła wiedzy
  • Proces RAG
  • Załadowanie dokumentów
  • Fragmentowanie dokumentów
  • Pobieranie dokumentów i ponowny ranking wyników
  • Rozszerzenie monitu
• Koordynacja i implementacja techniki RAG
  • Ładowanie i fragmentowanie dokumentów
  • Magazyn wektorów osadzeń i pobieranie danych
  • Łańcuch pobrań
  • Ponowny ranking z wykorzystaniem algorytmu MMR
• Agent
  • Platforma ReAct
  • Platforma PAL
• Aplikacje oparte na generatywnej sztucznej inteligencji
• FMOps - utrzymanie cyklu życia projektu aplikacji opartej na generatywnej sztucznej inteligencji
  • Eksperymentowanie
  • Programowanie
  • Wdrożenie w środowisku produkcyjnym
• Podsumowanie

10. Multimodalne modele podstawowe

• Zastosowania multimodalnych modeli generatywnej sztucznej inteligencji
• Dobre praktyki inżynierii multimodalnego monitu
• Generowanie i udoskonalanie obrazów
  • Generowanie obrazów
  • Edycja i udoskonalanie obrazów
• Wrysowanie, rozrysowanie i podrysowanie obrazu
  • Wrysowanie obrazu
  • Rozrysowanie obrazu
  • Podrysowanie obrazu
• Podpisywanie obrazów, moderowanie treści i odpowiadanie na wizualne pytania
  • Podpisywanie obrazów
  • Moderowanie treści
  • Odpowiadanie na wizualne pytania
• Ocena modelu
  • Generatywna konwersja tekstu na obraz
  • Dyfuzja w przód
  • Rozumowanie niewerbalne
• Podstawy algorytmu dyfuzyjnego
  • Dyfuzja w przód
  • Dyfuzja wstecz
  • Sieć U-Net
• Model Stable Diffusion 2
  • Koder tekstu
  • Sieć U-Net i proces dyfuzji
  • Kondycjonowanie tekstu
  • Uwaga krzyżowa
  • Harmonogram
  • Dekoder obrazu
• Model Stable Diffusion XL
  • Sieć U-Net i uwaga krzyżowa
  • Rafinator
  • Kondycjonowanie
• Podsumowanie

11. Sterowanie procesem generowania obrazów i dostrajanie modelu Stable Diffusion

• ControlNet
• Dostrajanie modelu
  • DreamBooth
  • Metody DreamBooth, PEFT i LoRA
  • Inwersja tekstu
• Dostosowywanie modelu do ludzkich wartości przy użyciu techniki RLHF
• Podsumowanie

12. Amazon Bedrock - usługa zarządzana dla generatywnej sztucznej inteligencji

• Modele podstawowe w usłudze Amazon Bedrock
  • Modele Amazon Titan
  • Modele Stability AI Stable Diffusion
• Interfejs API usługi Amazon Bedrock do wnioskowania
• Modele LLM
  • Generowanie kodu SQL
  • Streszczanie tekstu
  • Osadzenia
• Dostrajanie modeli
• Agenci
• Modele multimodalne
  • Tworzenie obrazu z tekstu
  • Tworzenie obrazów z obrazów
• Prywatność danych i bezpieczeństwo sieci
• Zarządzanie i monitorowanie
• Podsumowanie

• Назва: Generatywna sztuczna inteligencja na platformie AWS. Tworzenie multimodalnych aplikacji wnioskujących kontekstowo
• Автор: Chris Fregly, Antje Barth, Shelbee Eigenbrode
• Оригінальна назва: Generative AI on AWS: Building Context-Aware Multimodal Reasoning Applications
• Переклад: Andrzej Watrak
• ISBN: 978-83-289-1475-9, 9788328914759
• Дата видання: 2024-10-09
• Формат: Eлектронна книга
• Ідентифікатор видання: geszin
• Видавець: Helion