Wczytuję dane...
Zasoby dotyczące bezpieczeństwa i produktów
X
  • Załączniki bezpieczeństwa
    Załczniki do produktu
    Załączniki dotyczące bezpieczeństwa produktu zawierają informacje o opakowaniu produktu i mogą dostarczać kluczowych informacji dotyczących bezpieczeństwa konkretnego produktu
  • Informacje o producencie
    Informacje o producencie
    Informacje dotyczące produktu obejmują adres i powiązane dane producenta produktu.
    helion
  • Osoba odpowiedzialna w UE
    Osoba odpowiedzialna w UE
    Podmiot gospodarczy z siedzibą w UE zapewniający zgodność produktu z wymaganymi przepisami.
Kod EAN: 9788328933040
Waga produktu: 0.79 kg
Realizacja zamówienia: 3 dni
Wysyłka od: 14.99 PLN
Wydawnictwo: helion
KUP TERAZ!

Duże modele językowe (LLM) rewolucjonizują branżę IT, oferując bezprecedensowe możliwości w zakresie przetwarzania języka naturalnego. ChatGPT i podobne rozwiązania pokazały ogromny potencjał tej technologii, ale wdrożenie LLM w środowiskach produkcyjnych to znacznie więcej niż tylko korzystanie z gotowych API. Książka wypełnia lukę między teorią a praktyką, pokazując, jak przekształcić fascynujące demonstracje w działające produkty biznesowe. Stanowi doskonałe uzupełnienie publikacji Sebastiana Raschki Stwórz własne AI. Jak od podstaw zbudować duży model językowy, skupionej na budowaniu i zrozumieniu LLM od podstaw rozszerza tę wiedzę o praktyczne zastosowania w produkcji, w tym integrację, efektywne kosztowo trenowanie modeli i ocenę ich jakości.[JB1.1]

Autorzy prowadzą czytelnika przez kompletny proces od wyboru odpowiedniego modelu bazowego, przez przygotowanie danych treningowych i techniki dostrajania, aż po wdrożenie w klastrze Kubernetes. Prezentują przy tym trzy praktyczne projekty: budowę własnego modelu LLM od podstaw, stworzenie rozszerzenia AI dla VS Code i wdrożenie modelu na Raspberry Pi. Szczególny nacisk kładą na aspekty produkcyjne zarządzanie kosztami, bezpieczeństwo, skalowanie i monitorowanie systemów opartych na LLM.

W książce:

  • Kompletny przewodnik po LLMOps
  • Praktyczne techniki kompresji i optymalizacji (kwantyzacja, LoRA, destylacja wiedzy)
  • Inżynieria promptów i budowa agentów AI
  • Implementacja systemów RAG z wektorowymi bazami danych
  • Zarządzanie infrastrukturą Kubernetes dla aplikacji AI
  • Bezpieczeństwo, kontrola kosztów i monitorowanie systemów LLM
  • Od teorii do produkcji praktyczny przewodnik po wdrażaniu LLM
Polecamy także