Large Language Model Workshop (LLM)

Einführung in LLMs

• Funktionsweise
• Training
• Aufbau
• Anzahl der Parameter und deren praktische Auswirkungen
• Anforderungen an Server, Hardware und Infrastruktur (bei selbst gehosteten Open Source Modellen)
• LLMs mit eigenen Daten verwenden (Die 3 möglichen Varianten, u. a. Retrieval-Augmented Generation (RAG): Fachinformationen dynamisch in den Abfrageprozess integrieren)

Marktübersicht und verschiedene LLMs im Einsatz und Vergleich

• Vergleich und Leistung kommerzieller Modelle, wie DeepSeek V3 und R1, GPT-5, GPT-4.1, GPT-4 Turbo, über Bard, Gemini, Bloom etc.
• Vergleich von Open Source Modellen und deren Einsetzbarkeit, DeepSeek, Falcon, Llama 3, Mistral…
• Praxis-Test mit Prompts
• Vergleich: Reaktion der Modelle hinsichtlich Kreativität, Relevanz und Verständnis des Kontexts
• Bias testen: kontroverse Themen gezielt behandeln, um den Bias der Modelle aufzudecken
• Bewertungsbogen mit Kriterien: Kohärenz, Genauigkeit, Sprachfluss und zuvor herausgefundener Bias der Modelle in einem Ranking
• Welches Modell ist für welche Aufgaben am besten geeignet?

Anpassung und Erweiterung bestehender Modelle

• Briefing-Files
• Training an eigenen Daten
• Datenaufbereitung und Erstellung von knowledge Files
• Zahlreiche praktische Beispiele, z.B. AdBot für Anzeigen, Data Analyst GPT, Marketing GPT, Social Media Poster…

Komplett eigene LLMs trainieren (Wie entsteht ein LLM?)

• Ablauf zum Verständnis der Funktionsweise
• Vor- und Nachteile eines eigenen LLMs
• Trainings-Daten
• Anforderungen an Hardware, Daten etc.
• Software-Stack
• MosaicML
• Architektur, Parameter…
• Hugging faces parquet Daten (Training)
• Databricks
• Transformer
• Tokenizer
• Fine-Tuning
• Model Evaluierung und Deployment..

• Keine

• Entwickler:innen die LLMs einsetzen und an die eigenen Daten anpassen wollen
• Alle die verstehen wollen wie LLMs funktionieren