Rozdział 1. Wprowadzenie do tworzenia aplikacji AI przy użyciu modeli podstawowych

• Rozwój inżynierii AI
  • Od modeli językowych do dużych modeli językowych
  • Od dużych modeli językowych do modeli podstawowych
  • Od modeli podstawowych do inżynierii AI
• Przykłady zastosowań modeli podstawowych
  • Programowanie
  • Tworzenie obrazów i wideo
  • Generowanie tekstów
  • Edukacja
  • Boty konwersacyjne
  • Agregacja informacji
  • Organizowanie danych
  • Automatyzacja przepływu danych
• Planowanie aplikacji AI
  • Ocena przypadków użycia
  • Ustalenie oczekiwań
  • Zaplanowanie kamieni milowych
  • Konserwacja i utrzymanie
• Stos technologiczny inżynierii AI
  • Trzy warstwy stosu AI
  • Inżynieria AI a inżynieria ML
  • Inżynieria AI a inżynieria pełnowymiarowa
• Podsumowanie

Rozdział 2. Zrozumienie modeli podstawowych

• Dane treningowe
  • Modele wielojęzyczne
  • Modele specyficzne dla danej dziedziny
• Modelowanie
  • Architektura modelu
  • Rozmiar modelu
• Post-trening
  • Dostrajanie nadzorowane
  • Dostrajanie preferencji
• Próbkowanie
  • Podstawy próbkowania
  • Strategie próbkowania
  • Efektywność obliczeniowa czasu testowania
  • Dane ustrukturyzowane
  • Probabilistyczna natura sztucznej inteligencji
• Podsumowanie

Rozdział 3. Metodyka ewaluacji

• Wyzwania związane z ewaluacją modeli podstawowych
• Zrozumienie wskaźników dotyczących modelowania języka
  • Entropia
  • Entropia krzyżowa
  • Wskaźniki bits-per-character i bits-per-byte
  • Nieokreśloność
  • Interpretacja nieokreśloności i jej zastosowania
• Ewaluacja dokładna
  • Poprawność funkcjonalna
  • Pomiar poziomu podobieństwa względem danych referencyjnych
  • Wprowadzenie do osadzania
• AI jako sędzia
  • Dlaczego "AI jako sędzia"?
  • Jak używać metody "AI jako sędzia"?
  • Ograniczenia metody "AI jako sędzia"
  • Jakie modele mogą być sędziami?
• Ranking modeli wynikający z ewaluacji porównawczej
  • Wyzwania ewaluacji porównawczej
  • Przyszłość ewaluacji porównawczej
• Podsumowanie

Rozdział 4. Ewaluacja modeli AI

• Kryteria ewaluacji
  • Zdolności specyficzne dla danej dziedziny
  • Zdolności generacyjne
  • Zdolność do podążania za instrukcjami
  • Koszty i opóźnienia
• Wybór modelu
  • Proces wyboru modelu
  • Budowa czy zakup modelu?
  • Zestawy testów dostępne publicznie
• Projektowanie procesu ewaluacji
  • Krok 1. Ewaluacja wszystkich komponentów systemu
  • Krok 2. Utworzenie wytycznych do ewaluacji
  • Krok 3. Określenie metod ewaluacji i danych
• Podsumowanie

Rozdział 5. Inżynieria promptów

• Wprowadzenie do tworzenia promptów
  • Uczenie w kontekście: zero-shot i few-shot
  • Prompt systemowy a prompt użytkownika
  • Długość i efektywność kontekstu
• Najlepsze zasady inżynierii promptów
  • Twórz jasno i precyzyjnie sformułowane instrukcje
  • Dostarcz niezbędny kontekst
  • Podziel zadania złożone na prostsze podzadania
  • Daj modelowi czas na myślenie
  • Doskonal prompty w procesie iteracyjnym
  • Oceniaj narzędzia do inżynierii promptów
  • Porządkuj prompty i zarządzaj ich wersjami
• Strategia zabezpieczania promptów
  • Prompty zastrzeżone i inżynieria odwrotna promptów
  • Omijanie zabezpieczeń i wstrzykiwanie promptów
  • Ekstrakcja informacji
  • Obrona przed atakami na prompty
• Podsumowanie

Rozdział 6. Generowanie wspomagane wyszukiwaniem i agenty

• Generowanie wspomagane wyszukiwaniem
  • Architektura generowania wspomaganego wyszukiwaniem
  • Algorytmy wyszukiwania
  • Optymalizacja wyszukiwania
  • Generowanie wspomagane wyszukiwaniem a inne modalności
• Agenty
  • Przegląd agentów
  • Narzędzia
  • Planowanie
  • Tryby błędów agenta i sposoby ich oceny
• Pamięć
• Podsumowanie

Rozdział 7. Dostrajanie

• Wprowadzenie do dostrajania
• Kiedy należy dostrajać?
  • Powody, by dostrajać
  • Powody, by nie dostrajać
  • Dostrajanie a generowanie wspomagane wyszukiwaniem (RAG)
• Ograniczenia pamięciowe
  • Propagacja wsteczna i parametry trenowane
  • Obliczenia dotyczące pamięci
  • Reprezentacje numeryczne
  • Kwantyzacja
• Techniki dostrajania
  • Dostrajanie efektywne parametrowo
  • Scalanie modeli i dostrajanie wielozadaniowe
  • Taktyki dostrajania
• Podsumowanie

Rozdział 8. Inżynieria zbiorów danych

• Przygotowanie danych
  • Jakość danych
  • Pokrycie danych
  • Ilość danych
  • Pozyskiwanie i etykietowanie danych
• Synteza i generowanie sztucznych danych
  • Po co stosować syntezę danych?
  • Tradycyjne metody syntezy danych
  • Synteza danych wspierana przez AI
  • Destylacja modelu
• Przetwarzanie danych
  • Inspekcja danych
  • Deduplikacja danych
  • Czyszczenie i filtrowanie danych
  • Formatowanie danych
• Podsumowanie

Rozdział 9. Optymalizacja wnioskowania

• Zrozumienie optymalizacji wnioskowania
  • Podstawy wnioskowania
  • Wskaźniki związane z wydajnością wnioskowania
  • Akceleratory AI
• Optymalizacja wnioskowania
  • Optymalizacja modelu
  • Optymalizacja usługi wnioskowania
• Podsumowanie

Rozdział 10. Architektura systemów AI i informacje zwrotne od użytkowników

• Architektura systemów AI
  • Krok 1. Rozszerzenie kontekstu
  • Krok 2. Wprowadzenie zabezpieczeń
  • Krok 3. Wprowadzenie routingu i bramki dostępowej
  • Krok 4. Zmniejszenie opóźnień za pomocą mechanizmów buforowania
  • Krok 5. Dodanie wzorców agentowych
  • Monitorowanie systemu i przejrzystość jego działania
  • Orkiestracja potoku AI
• Informacja zwrotna od użytkowników
  • Pozyskiwanie informacji zwrotnej z rozmów
  • Projektowanie systemu gromadzenia informacji zwrotnych
  • Ograniczenia systemu gromadzenia informacji zwrotnych
• Podsumowanie

Epilog

Skorowidz

• Назва: Inżynieria AI. Tworzenie aplikacji z wykorzystaniem modeli bazowych
• Автор: Chip Huyen
• Оригінальна назва: AI Engineering: Building Applications with Foundation Models
• Переклад: Jacek Janusz
• ISBN: 978-83-289-2629-5, 9788328926295
• Дата видання: 2025-09-02
• Формат: Eлектронна книга
• Ідентифікатор видання: inaitw
• Видавець: Helion