Fundamentos de IA generativa en AWS es un nuevo curso técnico en profundidad que le brinda los fundamentos conceptuales, la orientación práctica y la orientación práctica para la capacitación previa, el perfeccionamiento y la implementación de modelos básicos de última generación en AWS y más allá. Desarrollado por Emily Webber de AWS Global Generative AI Foundations, este curso práctico gratuito y el código fuente compatible de GitHub se lanzaron a través de AWS YouTube. Si está buscando una lista de lectura seleccionada de los mejores recursos, conceptos y consejos para comenzar con patrones básicos, y especialmente aquellos que desbloquean las capacidades generativas de sus proyectos de ciencia de datos y aprendizaje automático, no busque más.
Durante esta inmersión profunda de 8 horas, aprenderá sobre técnicas, servicios y tendencias clave que lo ayudarán a comprender los patrones básicos desde cero. Esto significa desglosar la teoría, las matemáticas y los conceptos abstractos combinados con ejercicios prácticos para obtener una intuición funcional para la aplicación práctica. A lo largo del curso, nos enfocamos en una amplia gama de técnicas de IA generativa progresivamente complejas, lo que le brinda una base sólida para comprender, diseñar y aplicar sus propios modelos para obtener el mejor rendimiento. Comenzaremos recapitulando los patrones básicos, entendiendo de dónde vienen, cómo funcionan, cómo se relacionan con la IA generativa y qué puede hacer para personalizarlos. Luego, aprenderá a elegir el modelo de base adecuado en función de su caso de uso.
Una vez que haya desarrollado una comprensión contextual sólida de los modelos base y cómo usarlos, se le presentará el tema central de este curso: el entrenamiento previo de nuevos modelos base. Aprenderá por qué querría hacer esto y cómo y dónde es competitivo. Incluso aprenderá a usar las leyes de escala para elegir el modelo, el conjunto de datos y los tamaños de proceso correctos. Cubriremos la preparación de conjuntos de datos de entrenamiento a gran escala en AWS, incluida la selección de las instancias y las técnicas de almacenamiento adecuadas. Cubriremos el ajuste fino de sus modelos básicos, la evaluación de técnicas recientes y la comprensión de cómo ejecutarlas con sus scripts y modelos. Nos sumergiremos en el aprendizaje por refuerzo con comentarios humanos, explorando cómo usarlo hábilmente y a escala para maximizar verdaderamente el rendimiento de su modelo base.
Por último, aprenderá a aplicar la teoría a la producción mediante la implementación de su nuevo modelo base en Amazon SageMaker, incluidas varias GPU y el uso de los mejores patrones de diseño de su clase, como la generación de recuperación aumentada y el diálogo en cadena. Como beneficio adicional, lo guiaremos a través de una inmersión profunda en la transmisión estable, las mejores prácticas de ingeniería rápida, la configuración de LangChain y más.
¿Más bien lector que consumidor de videos? Puede consultar mi libro de 15 capítulos «Pretrain Vision and Large Language Models in Python: End-to-end technologies for building and deployment Foundation models on AWS», que se publicó el 31 de mayo de 2023 con Packt Publishing y está disponible ahora en Amazonas. ¿Quieres saltar directamente al código? Estoy contigo: cada video comienza con una descripción general de 45 minutos de conceptos e imágenes clave. Luego, te daré una presentación de 15 minutos de la parte práctica. Todos los blocs de notas de muestra y el código de soporte se entregarán en un repositorio público, que puede usar para navegar por sí mismo. No dude en ponerse en contacto conmigo en Medium, LinkedIn, GitHubo a través de sus equipos de AWS. Obtenga más información sobre la IA generativa en AWS.
¡Buena ruta!
Plan de estudios
1. Introducción a los modelos básicos
|
2. Elige el modelo de base adecuado
| Recursos de demostración práctica de la lección 2 |
3. Uso de modelos base preentrenados: ingeniería y ajuste rápidos
|
4. Preformar un nuevo modelo base
|
5. Preparación y capacitación de datos a gran escala
|
6. Aprendizaje por refuerzo con retroalimentación humana
|
7. Implementación de un modelo base
|
Sobre el Autor
emilio webber se unió a AWS justo después del lanzamiento de SageMaker y ha estado tratando de contárselo al mundo desde entonces. Además de crear nuevas experiencias de aprendizaje automático para los clientes, a Emily le gusta meditar y estudiar el budismo tibetano.
