Kontakt aufnehmen

Schulungsübersicht

Einführung in große Sprachmodelle sowie generative KI

  • Methoden und Modelle im Überblick
  • Anwendungsbereiche und Einsatzszenarien erläutern
  • Herausforderungen und Grenzen der Technologie diskutieren

Einsatz von LLMs bei NLU-Aufgaben

  • Sentiment-Analyse
  • Erkennung benannter Entitäten
  • Extraktion von Beziehungen zwischen Elementen
  • Semantische Analyse von Texten

Einsatz von LLMs bei NLI-Aufgaben

  • Erkennung logischer Schlussfolgerungen aus Texten
  • Identifikation widersprüchlicher Aussagen<\/li>
  • Detektion äquivalenter Formulierungen

Einsatz von LLMs für Wissensnetze

  • Fakten und Beziehungen aus Texten extrahieren
  • Mögliche fehlende oder neue Informationen ableiten
  • Nutzung der erstellten Wissensnetze zur Bearbeitung weiterer Aufgaben

Einsatz von LLMs für allgemeines schlussfolgerndes Denken

  • Plausible Erklärungen, Hypothesen und Szenarien generieren
  • Nutzung etablierter Wissensdatenbanken zum Allgemeinwissen
  • Evaluation des schlussfolgernden Denkens anhand geeigneter Kriterien

Einsatz von LLMs für die Dialoggenerierung

  • Erstellung von Dialogen mit Chatbots, virtuellen Assistenten und Konversationsagenten
  • Verwaltung laufender Gespräche
  • Nutzung spezialisierter Datensätze zur Dialoganalyse und Bewertung

Einsatz von LLMs für multimodale Generierung

  • Erzeugung von Bildern aus Texten
  • Erstellung von Texten auf Basis vorhandiger Bilder
  • Videoproduktion durch Text- oder Bildvorgaben
  • Generierung von Audiodaten mittels Text-Eingabe<\/li>
  • Textgenerierung anhand vorgegebener Audiosequenzen
  • Erstellung dreidimensionaler Modelle aus Text- oder Bilddaten

Einsatz von LLMs im Bereich des Meta-Lernens

  • Anpassung der Modelle an neue Domänen, Aufgaben oder Sprachen
  • Lernprozesse auch bei sehr wenig oder keinen Beispieldaten ermöglichen
  • Nutzung spezieller Datensätze und Frameworks zum Meta-Lernen bzw. Transferlernen

Einsatz von LLMs im Bereich des adversarialen Lernens

  • Schutz der Modelle vor feindlichen Angriffen sicherstellen
  • Bias sowie Fehlerquellen in den Modellen erkennen und verringern
  • Einsatz geeigneter Datensätze und Verfahren zur Stärkung der Robustheit

Evaluation von LLMs und generativer KI

  • Bewertung von Qualität und Vielfalt erzeugter Inhalte
  • Nutzung gängiger Metriken wie z.B. Inception-Score, Fréchet Inception Distance oder BLEU-Wert
  • Einsatz humanbasierter Methoden wie Crowdsourcing und Umfragen
  • Anwendung kreativer Verfahren zur Evaluation, etwa Turing-Tests oder spezielle Diskriminatoren

Umsetzung ethischer Prinzipien bei der Arbeit mit LLMs sowie generativer KI

  • Förderung von Fairness und Verantwortlichkeit im Umgang mit den Technologien
  • Vermeidung missbräuchlicher oder schädlicher Anwendungen
  • Achtung der Rechte sowie des Datenschutzes aller Urheber und Nutzer
  • Förderung einer harmonischen Zusammenarbeit zwischen Menschen und KI im kreativen Prozess

Zusammenfassung und weitere Schritte

Voraussetzungen

  • Grundverständnis für Grundkonzepte und Fachbegriffe der KI
  • Erfahrung mit Programmierung in Python sowie Datenanalyse
  • Bekanntschaft mit Deep-Learning-Frameworks wie TensorFlow oder PyTorch
  • Grundkenntnisse zu großen Sprachmodellen und deren Anwendungsbereichen

Zielgruppe

  • Datenwissenschaftler
  • KI-Entwickler
  • Interessierte am Thema KI
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien