Large Language Models Essentials
Kursziel Der Kurs richtet sich an Entscheidungsträger und Interessierte, welche ein Grundverständnis für Large-Language Models (LLM) und deren Anwendungen erlangen wollen. Der Kurs ist bewusst effizient und kurz gestaltet, um es stark ausgelasteten Personen zu erlauben, in nur vier Stunden dass Wichtigste über diese neuen Werkzeuge zu erfahren. Primärer Kursinhalt ist dabei Theorie zu Funktion, Stärken und Schwächen von LLM, ergänzt durch praktische Übungen mit OpenAIs GPT Modellen.
Nächste Kurstermine- 29.11.2024, 13:00 - 17:00, Online (Virtuell) Sprache: Deutsch. Kosten: CHF 500 (ca. 510 Euro)
Early-Bird Rabatt: Bis 1 Monat vor Kursbeginn 10%. Bis zu 25% Rabatt für Gruppenbuchungen. Es wird keine MwSt. erhoben. → Zur Anmeldung
Weitere Termine werden je nach Nachfrage festgelegt. Bei Interesse melden Sie sich bitte (→ Kontakt) unverbindlich, damit ich Sie informieren kann, und um die Kursplanung (Ort und Zeitpunkt) zu vereinfachen.
Voraussetzungen Es werden keine Vorkenntnisse benötigt. Erste Erfahrungen in der Benutzung eines LLM (zum Beispiel ChatGPT) sind von Vorteil, aber nicht zwingend nötig.
Organisatorisches Halbtägiger Kurs mit maximal 10 Teilnehmenden (ausser in Onlinekursen). Teilnehmer erhalten eine Teilnahmebestätigung sowie sämtliche Kursunterlagen (Folien) in digitaler Form.
Detaillierte Kursbeschreibung Hauptziele des Kurses sind, Grundvokabular und Anwendungsfälle von Large-Language Models zu erlernen. Weiter nimmt das Diskutieren von (leider oft vernachlässigten) Risiken und Schwachpunkte ein zentraler Stellenwert ein.
Beispiele von behandelten Konzepten beinhalten:
- Wie funktioniert ein LLM grundsätzlich?
- Das Problem der fehlenden aktuellen und privaten Daten beim Training. Retreiver-Augemented Generation (RAG) als mögliche Lösung.
- LLM Finetuning: Erklärung, Vorteile und Nachteile.
- Kosten in LLM: Wieso sind sie so teuer, und wie kann gespart werden?
- Kurze Einführung in Data-Privacy mit LLMs
- Vor- und Nachteile von Open-Source Modellen
- Dokumentensuche mit LLMs: Embeddings-/Vektorensuche