Implement Generative AI engineering with Azure Databricks (DP-3028)

Erste Schritte mit Sprachmodellen in Azure Databricks

• Einführung
• Grundlegendes zum Thema generative KI
• Grundlegendes zu großen Sprachmodellen (Large Language Models, LLMs)
• Identifizieren wichtiger Komponenten von LLM-Anwendungen
• Verwenden von LLMs für NLP-Aufgaben (Natural Language Processing, Verarbeitung natürlicher Sprache)
• Übung: Erkunden von Sprachmodellen
• Modulbewertung
• Zusammenfassung

Implementieren von Retrieval Augmented Generation (RAG) mit Azure Databricks

• Einführung
• Erkunden der wichtigsten Konzepte eines RAG-Workflows
• Vorbereiten Ihrer Daten für RAG
• Suchen relevanter Daten mit Vektorsuche
• Reranken der abgerufenen Ergebnisse
• Übung – Einrichten von RAG
• Modulbewertung
• Zusammenfassung

Implementieren einer mehrstufigen Argumentation in Azure Databricks

• Einführung
• Was sind mehrstufige Argumentationssysteme?
• LangChain erkunden
• Erkunden Sie LlamaIndex
• Erkunden von Haystack
• Erkunden des DSPy-Frameworks
• Übung – Implementieren einer mehrstufigen Begründung mit LangChain
• Modulbewertung
• Zusammenfassung

Feinabstimmung von Sprachmodellen mit Azure Databricks

• Einführung
• Was ist Feinabstimmung?
• Aufbereiten von Daten für die Feinabstimmung
• Optimieren eines Azure OpenAI-Modells
• Übung: Optimierung eines Azure OpenAI-Modells
• Modulbewertung
• Zusammenfassung

Auswerten von Sprachmodellen mit Azure Databricks

• Einführung
• Erkunden der LLM-Auswertung
• Auswerten von LLMs und KI-Systemen
• Auswerten von LLMs mit Standardmetriken
• Beschreiben von „LLM-as-a-Judge” für die Auswertung
• Übung: Auswerten eines Azure OpenAI-Modells
• Modulbewertung
• Zusammenfassung

Erläutern der Prinzipien für verantwortungsvolle KI für Sprachmodelle in Azure Databricks

• Einführung
• Was ist verantwortungsvolle KI?
• Identifizieren von Risiken
• Minimieren von Problemen
• Verwenden wichtiger Sicherheitstools zum Schutz Ihrer KI-Systeme
• Übung – Implementieren von verantwortungsvoller KI
• Modulbewertung
• Zusammenfassung

Implementieren von LLMOps in Azure Databricks

• Einführung
• Übergang vom herkömmlichen MLOps zu LLMOps
• Grundlegendes zu Modellimplementierungen
• Beschreiben der MLflow-Bereitstellungsfunktionen
• Verwenden von Unity Catalog zum Verwalten von Modellen
• Übung: Implementieren von LLMOps
• Modulbewertung
• Zusammenfassung

Bevor Sie mit diesem Modul beginnen, sollten Sie sich mit grundlegenden KI-Konzepten und Azure Databricks vertraut machen. Eventuell sollten Sie zunächst den Lernpfad Erste Schritte mit künstlicher Intelligenz und das Modul Erkunden von Azure Databricks abschließen.

Dieser Kurs wurde für Data Scientists, Machine Learning-Ingenieure und andere KI-Experten entwickelt, die generative KI-Anwendungen mit Azure Databricks erstellen möchten. Es richtet sich an Experten, die mit grundlegenden KI-Konzepten und der Azure Databricks-Plattform vertraut sind.