การนำทางโมเดลภาษาขนาดใหญ่สำหรับนักพัฒนา

หลักสูตรนี้เป็นการปรับแต่งภาษาจีนของซีรีส์สามตอนเกี่ยวกับโมเดลภาษาขนาดใหญ่ (LLM) ที่พัฒร่วมกันโดยแอนดรูว์ ง และโอเพ่นเอไอ โดยครอบคลุมหัวข้อต่าง ๆ เช่น การเขียนคำสั่ง (Prompt Engineering) การสร้างระบบโดยใช้ API ของ ChatGPT การพัฒนาแอปพลิเคชันด้วย LangChain และการใช้ LangChain เพื่อเข้าถึงข้อมูลส่วนตัว หลักสูตรนี้ให้การแนะนำเชิงลึกแต่เข้าใจง่ายในการใช้ศักยภาพของโมเดลภาษาขนาดใหญ่เพื่อพัฒนาแอปพลิเคชันที่มีฟังก์ชันการทำงานด้านการสรุป อนุมาน การแปลง การขยาย และการสนทนา

จัดการกับการเขียนคำสั่งและกรอบงาน LangChain เพื่อเป็นนักพัฒนาแอปพลิเคชันปัญญาประดิษฐ์ในยุคของโมเดลขนาดใหญ่

1. แยกแยะความแตกต่างระหว่างฐานโมเดลภาษา (Base LLMs) และโมเดลที่ปรับให้เหมาะสมกับคำสั่ง (Instruction Tuned LLMs)
2. ใช้กลยุทธ์เฉพาะเจาะจง 4 แบบในการเขียนคำสั่งที่ชัดเจนและเฉพาะเจาะจง (เครื่องหมายแบ่ง, ผลลัพธ์ที่มีโครงสร้าง, การตรวจสอบเงื่อนไข และการส่งตัวอย่างจำนวนน้อย)
3. ประยุกต์ใช้กลยุทธ์เพื่อให้โมเดล "มีเวลาคิด" โดยระบุขั้นตอนของงานและให้โมเดลแก้ปัญหาอย่างอิสระ
4. ใช้การประมวลผลข้อความที่มีโครงสร้าง: สรุปข้อมูลและดึงข้อมูลเฉพาะจากเอกสารหนึ่งหรือหลายฉบับ โดยควบคุมความยาวและเน้นของผลลัพธ์
5. วิเคราะห์ข้อความอัตโนมัติ: จัดประเภทอารมณ์ ระบุอารมณ์เฉพาะเจาะจง และดำเนินการจำแนกหัวข้อโดยไม่ต้องใช้ตัวอย่าง (zero-shot topic classification) โดยใช้คำสั่ง
6. ดำเนินการแปลงหลายมิติ: แปลภาษา แปลงรูปแบบข้อมูล (เช่น จาก JSON เป็น HTML) และแก้ไขไวยากรณ์/การสะกดคำโดยอัตโนมัติ
7. แยกแยะความแตกต่างระหว่างฐานโมเดลภาษา (Base LLMs) และโมเดลที่ปรับให้เหมาะสมกับคำสั่ง (Instruction-Tuned LLMs) พร้อมเข้าใจผลกระทบของการแบ่งข้อความ (tokenization) ต่อพฤติกรรมของโมเดล
8. สร้างสถาปัตยกรรมระบบแบบมีโครงสร้างโดยใช้บทบาทของข้อความประเภทระบบ (System), ผู้ใช้ (User) และผู้ช่วย (Assistant) เพื่อกำหนดบุคลิกของโมเดล
9. ใช้เทคนิคการจัดหมวดหมู่และการตรวจสอบเพื่อประเมินคำขอจากผู้ใช้ด้านความปลอดภัยและการส่งต่อ
10. ใช้การเชื่อมโยงคำสั่ง (Prompt Chaining): แยกงานซับซ้อนออกเป็นงานย่อยที่จัดการได้ง่าย เพื่อเพิ่มความน่าเชื่อถือและลดต้นทุน