Improving Accuracy of LLM Applications

Lamini ve Meta iş birliğiyle hazırlanan yeni kısa kursumuz "Improving Accuracy of LLM Applications"a katılın. Lamini Kurucu Ortağı ve CEO'su Sharon Zhou ile Meta Ortak Mühendisliği Kıdemli Direktörü Amit Sangani'den öğrenin. Birçok geliştirici, LLM uygulamalarıyla çalışırken tutarsız sonuçlar almaktan dolayı hayal kırıklığı yaşamıştır. Bu kurs, LLM uygulamalarınızın doğruluğunu ve güvenilirliğini artırmak için sistematik bir yaklaşım sunar. Bir SQL ajanı oluşturacak, performansı ölçmek için değerlendirme metrikleri ekleyecek ve modelin daha iyi performans göstermesini sağlamak için prompt mühendisliği ile kendi kendini değerlendirme (self-reflection) yöntemlerini kullanacaksınız. Son olarak, halüsinasyonları azaltmak için gerçekleri model ağırlıklarına gömen LoRA ve bellek ince ayarı (memory tuning) gibi tekniklerle modele ince ayar yapacaksınız. Bu kursta, Llama'nın açık kaynaklı model ailesini kullanacaksınız. Neler yapacaksınız: 1. Metinden SQL'e dönüşüm yapan bir ajan oluşturacak ve değerlendirme sürecini başlatmak için halüsinasyon gördüğü durumları simüle edeceksiniz. 2. İyi değerlendirme kriterleri, en iyi uygulamalar ve bir değerlendirme puanının nasıl geliştirileceği dahil olmak üzere performansı sistematik olarak ölçmek için bir değerlendirme çerçevesi oluşturacaksınız. 3. Komut ince ayarının (instruction fine-tuning) önceden eğitilmiş LLM'lerin talimatları izleme yeteneğini nasıl artırdığını ve bellek ince ayarının gerçekleri nasıl entegre ettiğini öğreneceksiniz.