In diesem Abschnitt untersuchen wir, wie große Sprachmodelle (LLMs) die Softwareentwicklung verändern, beleuchten die Architektur von Copilot-Systemen und bewerten KI-Orchestrierungs-Frameworks für die Einbindung von LLMs in reale Anwendungen.

In diesem Abschnitt untersuchen wir die Kriterien für die Auswahl großer Sprachmodelle (LLMs) und vergleichen dabei Architekturen, Leistung, Kosten und praktische Kompromisse, um die Anwendungsintegration und den verantwortungsvollen Einsatz zu optimieren.

In diesem Abschnitt stellen wir Techniken des Prompt-Engineering vor, mit denen sich effektive Prompts erstellen lassen, die das Verhalten großer Sprachmodelle steuern und dazu beitragen, Verzerrungen und Halluzinationen zu reduzieren.

In diesem Abschnitt zeigen wir, wie man große Sprachmodelle (LLMs) mithilfe von LangChain in Anwendungen einbindet, Hugging-Face-Modelle integriert und Frameworks nutzt, um das Benutzererlebnis im Dialog zu verbessern.

In diesem Abschnitt erstellen wir LLM-basierte Dialoganwendungen mit LangChain, wobei wir Speicher, nichtparametrisches Wissen und Werkzeuge integrieren und gleichzeitig ein Streamlit-Frontend für die schnelle Prototypenerstellung und den praktischen Einsatz entwickeln.

In diesem Abschnitt untersuchen wir, wie große Sprachmodelle (LLMs) Empfehlungssysteme modernisieren, erörtern traditionelle und LLM-gestützte Verfahren und realisieren praktische Anwendungen mit LangChain und Streamlit für interaktive Benutzererlebnisse.

In diesem Abschnitt zeigen wir, wie sich große Sprachmodelle (LLMs) in relationale Datenbanken integrieren lassen, um Schnittstellen in natürlicher Sprache zu tabellarischen Daten zu ermöglichen und strukturierte mit unstrukturierten Quellen für praktische Anwendungen zu kombinieren.

In diesem Abschnitt untersuchen wir, wie große Sprachmodelle (LLMs) die Codegenerierung, das Verständnis von Code und die Emulation von Algorithmen unterstützen und so die Entwicklung von programmierwerkzeugen auf Basis natürlicher Sprache sowie von code-basierten Anwendungen ermöglichen.

In diesem Abschnitt lernen wir, wie man adaptive multimodale Agenten entwickelt, indem wir Sprach-, Bild- und Audiomodelle mithilfe von LangChain und Azure AI integrieren, um so robuste, praxisorientierte KI-Workflows und -Anwendungen zu ermöglichen.

In diesem Abschnitt befassen wir uns mit der Theorie und den praktischen Schritten zur Feinabstimmung großer Sprachmodelle (LLMs) und behandeln dabei die Datenaufbereitung, die domänenspezifische Taxonomie sowie die Implementierung mithilfe von Python und Hugging Face für Anwendungen der Spezialisierung im Bereich des Natural Language Processing (NLP).

In diesem Abschnitt untersuchen wir Praktiken im Bereich „Responsible AI“, die darauf abzielen, Risiken und Verzerrungen bei Anwendungen mit großen Sprachmodellen (LLM) zu mindern, und beleuchten dabei architektonische Strategien sowie zentrale regulatorische Anforderungen, um einen sichereren Einsatz von KI zu gewährleisten.

In diesem Abschnitt befassen wir uns mit den jüngsten Innovationen im Bereich der großen Sprachmodelle (LLMs) und der generativen KI, untersuchen deren Einsatz in Unternehmen und erörtern Anwendungen wie GPT-4V(ision), AutoGen und kleine Sprachmodelle für eine zukunftsfähige Entwicklung.