In diesem Kurs werden Sie die LLMOps-Pipeline zur Vorverarbeitung von Trainingsdaten für die überwachte Befehlsabstimmung durchlaufen und eine überwachte Abstimmungspipeline anpassen, um ein benutzerdefiniertes LLM zu trainieren und einzusetzen. Dies ist nützlich bei der Erstellung eines LLM-Workflows für Ihre spezifische Anwendung. Zum Beispiel bei der Erstellung eines Frage-Antwort-Chatbots, der auf die Beantwortung von Python-Codierungsfragen zugeschnitten ist, was Sie in diesem Kurs tun werden. Im Laufe des Kurses werden Sie die wichtigsten Schritte zur Erstellung der LLMOps-Pipeline durchlaufen: 1. Abrufen und Umwandeln von Trainingsdaten für die überwachte Feinabstimmung eines LLMs. 2. Versionierung Ihrer Daten und abgestimmten Modelle, um Ihre Abstimmungsexperimente zu verfolgen.

3. Konfigurieren Sie eine Open Source-Pipeline für die überwachte Feinabstimmung und führen Sie diese Pipeline aus, um ein abgestimmtes LLM zu trainieren und dann einzusetzen. 4. Geben Sie Sicherheitsscores aus und untersuchen Sie diese, um das Verhalten Ihrer LLM-Anwendung verantwortungsbewusst zu überwachen und zu filtern. 5. Probieren Sie die getunte und eingesetzte LLM selbst im Klassenzimmer aus! 6. Zu den Tools, mit denen Sie üben werden, gehören BigQuery Data Warehouse, die Open Source Kubeflow Pipelines und Google Cloud.