Generative KI Masterclass: Ein eigenes LLM bauen und trainieren

Tag 1: Deep Dive - Architektur & Daten


1. Eigene LLM-Architektur

• Transformer intern (Self-Attention, Multi-Head, Position Embeddings)
• GPT-Style Decoder vs. Encoder-Decoder (T5, BART)
• 2. Datenauswahl & Aufbereitung
  
• Öffentliche Datensätze (The Pile, Books3, OpenWebText2)
• Copyright & Cleanup (Duplikate, Filters)
• Geschlossene/unternehmensinterne Daten (Datenschutz)
• 3. Tokenisierung
  
• Byte Pair Encoding (BPE), SentencePiece, ttoken
• Vocabulary-Größe, Trade-offs
• 4. Hands-on:
  
• Erstes Skript: Tokenizer-Training auf einem Mini-Korpus
• Großer Korpus? Wie man ihn vorbereitet (Chunking, Sharding, etc.)

Tag 2: Implementierung & Training-Pipeline

• 1. Implementierung eines Mini-Transformers
  
  • PyTorch oder TensorFlow: Layer (Attention, Feedforward), GPTBlock / DecoderLayer
  • Konfigurationsparameter (Hidden Dim, Heads, Depth)
  
  
• 2. Training-Setup
  
  • GPU/TPU-Einrichtung (lokal vs. Cloud)
  • Batch Size, Lernrate, Optimizer (AdamW)
  • Mixed Precision (FP16/BF16)
  
  
• 3. MLOps-Tools
  
  • MLflow, ClearML oder Weights & Biases zum Tracken von Experimenten
  
  
• 4. Hands-on:
  
  • Starte ein Trainingsskript für einen kleinen Datensatz (z. B. 50-100 MB Text)
  • Protokolliere Training Loss, evaluiere gelegentliche Samples
  
  

Tag 3: Feintuning, Evaluierung & RAG

• 1. Weiterführendes Training
  
  • Feintuning vs. Training-from-scratch
  • RLHF (Reinforcement Learning from Human Feedback) - theoretischer Überblick
  
  
• 2. Evaluierung
  
  • Perplexity, Token-Accuracy
  • Generische Metriken: BLEU, ROUGE, etc.
  
  
• 3. Retrieval-Augmented Generation
  
  • Eigene RAG-Pipeline auf selbst trainiertem Modell?
  • Einbinden einer Vektordatenbank (Chroma, FAISS)
  
  
• 4. Hands-on:
  
  • Feinjustriere dein Modell auf einen speziellen Datensatz (z. B. interne Doku)
  • Baue eine Mini-RAG-Demo (prompt + fetch + generation)
  
  

Tag 4: Fortgeschrittene Optimierung & Multimodale Erweiterungen

• 1. Fortgeschrittene Optimierung
  
  • Gradient Accumulation, ZeRO, LoRA (Low-Rank Adaptation)
  • Parameter-Effiziente Methoden (QLoRA, 4-Bit/8-Bit Training)
  • Modellkompression, Distillation
  
  
• 2. Multimodale Szenarien
  
  • Text/Bild (CLIP-Ansätze, Vision Transformer-Encoder + GPT-Decoder)
  • Kurzer Abstecher: Diffusion Models integrieren (für Image Generation)
  
  
• 3. Hands-on:
  
  • Probier LoRA-Fine-Tuning oder 4-Bit-Quantisierung, um GPU-Speicher zu sparen
  • Experimentiere mit kleiner Bild/Text-Integration (z. B. Bild-Captions)
  
  

Tag 5: Production-Ready & Abschlussprojekt

• 1. Deployment & Skalierung
  
  • Serving-Frameworks (FastAPI, Triton Inference Server)
  • Monitoring & Logging
  • Parallel-LLM-Setups (Fallback, Ensembles)
  
  
• 2. Sicherheit & Governance
  
  • Prompt Injection-Verhinderung, Content Filtering
  • Datenschutz und On-Prem-Lösungen
  
  
• 3. Abschlussprojekt
  
  • Wähle: 
    • Eigener GPT-Klon (kleines Modell)
    • RAG-System mit selbst trainiertem Modell
    • Multimodaler Mini-Prototyp (Text + Bild)
    • Stelle Ergebnisse vor, diskutiere Performance und Limitierungen
    
    
  
  
• 4. Ausblick
  
  • Größere Modelle (Llama, Bloom)
  • HPC-Anforderungen, verteiltes Training
  • Kommerzielle vs. Open-Source-Varianten
  
  

5 Tage

Erfahrene Entwickler:innen, Data Scientists und Machine-Learning-Expert:innen, die tiefer in die Architektur und das Training großer Sprachmodelle eintauchen möchten. Der Fokus liegt auf Modellarchitektur, Datenauswahl, Tokenisierung, Training, Evaluierung und Optimierung.



Dieser Kurs richtet sich an erfahrene Entwickler:innen und Data Scientists, die selbst LLMs trainieren oder anpassen möchten. Voraussetzungen sind fundierte Kenntnisse in Python, Machine Learning (PyTorch/TensorFlow) sowie ein grundlegendes Verständnis von Deep Learning-Architekturen. Ideal für Forschende, ML-Ingenieur:innen oder KI Enthusiast:innen, die eigene Modelle entwickeln oder tiefgehendes Wissen über Sprachmodelle erlangen möchten.

R90250