Strumenti di Conversational AI con LLaMA-index e OLaMA library

Scarica catalogo completo

Modulo 1: Introduzione ai LLM e alle loro applicazioni

• Introduzione ai Large Language Models (LLM)
  • Storia e sviluppo dei modelli di linguaggio
  • Architettura Transformer e modelli come LLaMA e OLaMA
  • Applicazioni pratiche dei LLM (NLP, traduzione, chatbot, ecc.)
• Impostazione pratica
  • Ambienti di sviluppo (Colab, PyTorch, Hugging Face)
  • Utilizzo di modelli pre-addestrati (LLaMA, OLaMA)
  • Strumenti per il deployment (API open-source, modelli di Meta, Hugging Face)

Modulo 2: Zero-shot e Few-shot Learning

• Zero-shot Learning: Definizione e applicazioni
  • Concetto di zero-shot learning nei LLM (LLaMA, OLaMA)
  • Come i modelli prevedono su nuove categorie senza esempi
  • Casi d’uso pratici (classificazione, risposta a domande, generazione)
• Few-shot Learning: Strategie e implementazione
  • Differenza tra few-shot e zero-shot learning
  • Tecniche per migliorare la performance con pochi esempi
  • Esempi pratici con LLaMA/OLaMA su dataset di benchmark
• Laboratorio pratico: Zero-shot vs Few-shot
  • Esercitazioni pratiche su come usare i modelli LLaMA/OLaMA in modalità zero-shot e few-shot
  • Esperimenti su diversi task NLP (ad es. traduzione, classificazione)

Modulo 3: Prompt Engineering e Prompt Analysis

• Fondamenti di Prompt Engineering
  • Cos’è il prompt engineering e perché è importante nei modelli come LLaMA e OLaMA
  • Tecniche di costruzione di prompt efficaci
  • Prompt chaining e prompting adattivo
• Prompt Analysis: Misurare l’efficacia
  • Come valutare e migliorare i prompt per LLaMA/OLaMA
  • Metriche di performance e qualità dei risultati
  • Analisi di errori comuni nei prompt
• Laboratorio pratico: Prompt Tuning
  • Creazione di prompt per task su modelli LLaMA/OLaMA
  • Ottimizzazione del prompt per migliorare la precisione
  • Esercitazioni pratiche su dataset reali

Modulo 4: Etica e Implicazioni dei LLM

• Sfide etiche e bias nei modelli LLaMA/OLaMA
  • Introduzione ai bias nei modelli di linguaggio open-source come LLaMA e OLaMA
  • Impatto sociale e responsabilità dei LLM
  • Algoritmi e bias nei risultati
• Normative e regolamentazioni sull’uso dei LLM
  • Panoramica delle normative vigenti sull’IA
  • Principi etici di trasparenza, privacy e responsabilità
  • Best practices per lo sviluppo etico dei modelli LLaMA/OLaMA