In diesem Modul lernen Sie, wie Sie die Cortex LLM-Funktionen für viele KI-Aufgaben nutzen können, einschließlich wie man gängige generative KI Anwendungsfälle wie Zusammenfassung, Übersetzung, Sentimentnalyse und Textklassifizierung mit den aufgabenspezifischen Funktionen von Cortex implementiert; wie man andere generative KI Anwendungsfälle mit den Modellen der Llama-, Mistral- und Anthropic-Familie mit Prompt Engineering und der Cortex COMPLETE-Funktion implementiert; wie man ein LLM für seinen Anwendungsfall auswählt, einschließlich der Frage, wann man die größeren oder kleineren Modelle innerhalb einer Modellfamilie auswählt; wie man die Cortex Helper-Funktionen zur Schätzung der Token-Zahl und der Kosten verwendet; und wie man seine LLM-Aufrufe auf mögliche Fehler testet, ohne die damit verbundenen Inferenzkosten zu verursachen.

In diesem Modul lernen Sie, wie man ein LLM fein abstimmt, um eine bessere Leistung für Ihren Anwendungsfall zu ermöglichen. Sie werden verstehen, wie Sie die Fähigkeiten eines großen Modells in ein kleineres Modell destillieren können. Sie werden auch lernen: wie Parameter Efficient Fine-Tuning (PEFT) die Anforderungen an die Trainingsdaten senken und die Kosten reduzieren kann; wie man Trainingsdaten generiert und sie in Trainings- und Evaluierungsdatensätze aufteilt; wie man ein Basismodell, Mistral-7b, fein abstimmt, damit es lernt, in einem bestimmten Stil zu reagieren, indem man die Cortex FINETUNE Funktion und das no-code Snowflake KI/ML Studio verwendet; wie man sein fein abgestimmtes Modell mit der Cortex COMPLETE Funktion testet; wie man eine einfache KI-Anwendung in Python für sein fein abgestimmtes Modell mit Streamlit erstellt und teilt.