身為一家 AI 新創的資料科學家，你正在開發一個 LLM，以強化公司的聊天機器人能力。這個專案的成敗高度仰賴你對影響模型效能與準確度的各種因素的理解。
這些因素包含資料偏誤、資料品質與標註。你將呈現多個與資料處理與訓練流程相關的情境，並且需要在與公司技術長（CTO）的會議中，辨識每個案例的主要概念。
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
AI 版圖正快速演變，而大型語言模型（LLMs）站在這場變革的最前線。本章將探討 LLMs 如何推動類人化人工智慧的發展，並透過多元應用改造各行各業。你也會了解語言建模所伴隨的挑戰與複雜度。
本章強調 LLMs 的創新性與湧現能力，同時概述用於資料前處理的各種 NLP 技術。你將學到訓練 LLMs 的挑戰，以及如何透過微調有效因應。你也會理解 N-shot 學習技術如何在標註資料有限時，讓預先訓練的模型能高效適應。
在本章中，你將學習訓練一個 LLM 的核心組成要素，例如前置訓練技術。你也會以直觀方式理解如 transformer 架構與注意力機制等複雜概念。本章將介紹進階的微調技術，並總結訓練流程以完成一個 LLM。
本章將深入探討訓練 LLMs 時的關鍵考量，例如大規模資料的可得性、資料品質、標註正確性，以及偏誤資料的影響。你也會檢視多種 LLM 風險，如資料隱私、倫理議題與環境衝擊。最後，將討論新興研究領域與 LLMs 不斷演進的版圖。
當前練習
