Книга: «LLM на практике. Большие языковые модели от идеи до внедрения» / Хабр

Привет, Хаброжители!

Искусственный интеллект стремительно развивается, и именно большие языковые модели (LLM) задают направление всей индустрии. Погрузитесь в процесс проектирования, обучения и развертывания LLM в реальных бизнес-задачах, опираясь на лучшие практики MLOps. Авторы шаг за шагом показывают, как создать экономичную, масштабируемую и модульную систему на основе LLM. Вместо простых экспериментов в изолированных блокнотах Jupyter научитесь строить комплексные системы, готовые к полноценной эксплуатации.

Вы узнаете об особенностях инженерии данных, тонкой настройки моделей и их развертывания, попробуете создать LLM-двойника и внедрить компоненты MLOps в свои проекты. Кроме того, вы познакомитесь с передовыми методами оптимизации инференса, выравниванием по предпочтениям и обработкой данных в реальном времени.

К концу книги вы научитесь уверенно развертывать надежные и отказоустойчивые LLM в условиях высокой доступности и минимальных задержек. И новички, и опытные специалисты в области ИИ найдут ценные советы и практические приемы, которые помогут понять принципы внедрения и работы больших языковых моделей.

Что внутри:

реализация надежных пайплайнов обработки данных и управление обучением LLM;
практические примеры создания собственной LLM;
знакомство с LLMOps и основными принципами MLOps, такими как оркестрация и мониторинг промптов;
тонкая настройка и оценка LLM;
развертывание комплексных решений LLM с использованием AWS и других инструментов;
проектирование масштабируемых и модульных систем LLM;
знакомство с приложениями RAG.

Кому следует прочитать эту книгу

Книга ориентирована на широкий круг специалистов в области технологий, а также на энтузиастов, интересующихся практическими аспектами использования больших языковых моделей. Она будет особенно полезна разработчикам, планирующим начать работу над проектами в сфере искусственного интеллекта. Хотя базовые знания в области разработки ПО могут оказаться полезными, книга содержит пояснения многих ключевых концепций, что делает ее доступной даже для тех, кто только начинает знакомство с ИИ и машинным обучением.

Читателям, уже применяющим методы машинного обучения, книга позволит углубить навыки реализации и развертывания систем на основе LLM. В ней подробно рассматриваются основы MLOps, а также описывается пошаговый процесс создания минимально жизнеспособного продукта с использованием LLM с открытым исходным кодом.

Об авторах

Пол Юстин

ведущий ML- и MLOps-инженер с более чем семилетним опытом разработки решений в сферах генеративного ИИ, компьютерного зрения и MLOps. Его последним местом работы была компания Metaphysic, в которой он занимался внедрением в производство крупных нейронных сетей. Ранее он работал в CoreAI, Everseen и Continental. Пол также является основателем образовательного канала Decoding ML, посвященного практическому машинному обучению, в рамках которого он публикует статьи, посты и открытые курсы, помогающие инженерам создавать реальные ML-системы.

Максим Лабонн

руководитель направления постобучения в компании Liquid AI. Он защитил докторскую диссертацию по машинному обучению в Политехническом институте Парижа и признан Google экспертом в области искусственного интеллекта и машинного обучения. Будучи активным блогером, внес заметный вклад в сообщество открытого ПО. Среди его разработок — курс по LLM на GitHub, такие инструменты, как LLM AutoEval, и несколько передовых моделей, включая NeuralDaredevil. Максим также является автором бестселлера Hands-On Graph Neural Networks Using Python (Packt, 2023).

Я хочу поблагодарить свою семью за их неизменную поддержку и терпение.

Ознакомиться с оглавлением