Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in das Feinabstimmen von DeepSeek LLM
- Überblick über die DeepSeek-Modelle, etwa DeepSeek-R1 und DeepSeek-V3
- Warum ist ein Feinabstimmen großer Sprachmodelle notwendig?
- Vergleich zwischen Feinabstimmen und Prompt Engineering
Vorbereitung der Datensätze für das Feinabstimmen
- Auswahl geeigneter domänenspezifischer Datensätze
- Methoden zur Datenvorverarbeitung und -bereinigung
- Tokenisierung sowie Formatierung der Daten für DeepSeek LLM
Einrichtung der Feinabstimmungsumgebung
- Konfiguration von GPU- und TPU-Beschleunigung
- Integration von Hugging Face Transformers mit DeepSeek LLM
- Verständnis der für das Feinabstimmen relevanten Hyperparameter
Das eigentliche Feinabstimmen des DeepSeek LLM-Modells
- Durchführung des überwachten Feinabstimmens
- Nutzung von LoRA (Low-Rank Adaptation) sowie PEFT (Parameter-Efficient Fine-Tuning)
- Ausführen von verteiltem Feinabstimmen bei großen Datensätzen
Bewertung und Optimierung der feinabgestimmten Modelle
- Messung der Modellleistung mittels geeigneter Evaluationsmetriken
- Abhilfe bei Über- oder Unteranpassung des Modells
- Verbesserung der Inferenzgeschwindigkeit sowie Effizienz des Modells
Bereitstellung der feinabgestimmten DeepSeek-Modelle
- Verpacken der Modelle zur späteren API-Bereitstellung
- Integration der neu abgestimmten Modelle in bestehende Anwendungen
- Skalierbare Bereitstellung mithilfe von Cloud- und Edge-Computing-Lösungen
Reale Anwendungsfälle für feinabgestimmte LLMs
- Einsatz der feinabgestimmten Modelle in Finanz-, Gesundheits- sowie Kundenservice-Bereichen
- Detaillierte Fallstudien aus verschiedenen Branchen
- Ethische Aspekte bei der Nutzung domänenspezifischer KI-Modelle
Zusammenfassung und weitere Schritte
Voraussetzungen
- Erfahrung mit Frameworks des maschinellen und tiefen Lernens
- Grundkenntnisse zu Transformer-Architekturen sowie großen Sprachmodellen (LLMs)
- Verständnis für Datenvorverarbeitung sowie Methoden des Modelltrainings
Zielgruppe
- KI-Forscher, die sich mit der Feinabstimmung von LLMs beschäftigen möchten
- Maschinelle Lern-Ingenieure, die eigene KI-Modelle entwickeln wollen
- Erfahrene Entwickler, die KI-gestützte Lösungen implementieren möchten
21 Stunden
