Książka nigdy nie była używana.
Cena w sklepie to ok. 47 zł.

Spis treści:

Wprowadzenie
Rozdział 1. Podstawy generatywnej sztucznej inteligencji, przypadki użycia i cykl życia projektu
___Przykłady użycia i zadania
___Modele podstawowe i centra modeli
___Cykl życia projektu generatywnej sztucznej inteligencji
___Generatywna sztuczna inteligencja w chmurze AWS
___Dlaczego chmura AWS?
___Tworzenie aplikacji opartych na generatywnej sztucznej inteligencji w chmurze AWS
___Podsumowanie
Rozdział 2 . Inżynieria monitu i uczenie kontekstowe
___Monity i uzupełnienia
___Tokeny
___Inżynieria monitu
___Struktura monitu
______Instrukcja
______Kontekst
___Uczenie kontekstowe na kilku przykładach
______Uczenie bez przykładów
______Uczenie na jednym przykładzie
______Uczenie na kilku przykładach
______Błędne uczenie kontekstowe
______Dobre praktyki uczenia kontekstowego
___Dobre praktyki inżynierii monitu
___Parametry wnioskowania
___Podsumowanie
Rozdział 3. Podstawowe duże modele językowe
___Podstawowe duże modele językowe
___Tokenizery
___Wektory osadzeń
___Architektura transformera
______Dane wejściowe i okno kontekstowe
______Osadzenia
______Koder
______Warstwy samouwagi
______Dekoder
______Funkcja softmax
___Rodzaje modeli podstawowych opartych na transformerach
___Zbiory danych do wstępnego trenowania modeli
___Reguły skalowania
___Modele optymalne obliczeniowo
___Podsumowanie
Rozdział___4. Optymalizacja pamięci i obliczeń
___Wyzwania pamięciowe
___Typy i precyzja danych
___Kwantyzacja
______Typ fp16
______Typ bfloat16
______Typ fp8
______Typ int8
___Optymalizacja warstw samouwagi
______FlashAttention
______Grouped-Query Attention
___Rozproszone przetwarzanie danych
______Algorytm DDP
______Algorytm FSDP
______Porównanie wydajności algorytmów FSDP i DDP
___Rozproszone przetwarzanie danych w chmurze AWS
______Algorytm FSDP w klastrze Amazon SageMaker
______Pakiet AWS Neuron SDK i akcelerator AWS Trainium
___Podsumowanie
Rozdział 5. Dostrajanie i ocenianie modelu
___Dostrajanie za pomocą instrukcji
______Llama 2-Chat
______Falcon-Chat
______FLAN-T5
___Zbiór instrukcji
______Zbiór różnorodnych instrukcji
______FLAN: przykładowy zbiór różnorodnych instrukcji
______Szablon monitu
______Konwersja niestandardowego zbioru danych w zbiór instrukcji
___Dostrajanie modelu za pomocą niestandardowych instrukcji
______Amazon SageMaker Studio
______Amazon SageMaker JumpStart
______Klasa Amazon SageMaker Estimator dla centrum Hugging Face
___Ocenianie modelu
______Wskaźniki skuteczności
______Testy porównawcze i zbiory danych
___Podsumowanie
Rozdział 6. Dostrajanie PEFT
___Dostrajanie pełne i PEFT
___LoRA i QLoRA
______Podstawy techniki LoRA
______Rząd macierzy
______Docelowe moduły i warstwy
______Implementacja techniki LoRA
______Scalanie adaptera LoRA z oryginalnym modelem
______Osobne adaptery LoRA
______Skuteczność dostrajania pełnego i LoRA
______QLoRA
___Zmiękczanie i dostrajanie monitu
___Podsumowanie
Rozdział 7. Metoda RLHF
___Ludzkie wartości: przydatność, uczciwość, nieszkodliwość
___Podstawy uczenia przez wzmacnianie
___Niestandardowy system nagradzania
______Gromadzenie danych treningowych z zaangażowaniem człowieka
______Przykładowe instrukcje dla adnotatorów
______Gromadzenie adnotacji z wykorzystaniem usługi Amazon SageMaker Ground Truth
______Przygotowanie danych do wytrenowania systemu nagradzania
______Trening systemu nagradzania
___System nagradzania: detektor toksyczności firmy Meta
___Dostrajanie modelu z wykorzystaniem techniki RLHF
______Zastosowanie systemu nagradzania i techniki RLHF
______Algorytm PPO
______Dostrajanie modelu przy użyciu techniki RLHF i algorytmu PPO
______Zapobieganie hakowaniu nagród
______Zastosowanie dostrajania PEFT i techniki RLHF
___Ocenianie modelu dostrojonego z użyciem techniki RLHF
______Ocena jakościowa
______Ocena ilościowa
______Załadowanie systemu oceniania
______Definicja funkcji zwracającej zagregowaną ocenę
______Porównanie ocen przed dostrojeniem i po nim
___Podsumowanie
Rozdział 8. Optymalizacja wdrożenia modelu
___Optymalizacja modelu pod kątem wnioskowania
______Przycinanie modelu
______Kwantyzacje PTQ i GPTQ
______Destylacja
___Kontener LMI
___AWS Inferentia: specjalny sprzęt do wnioskowania
___Strategie aktualizowania i wdrażania modeli
______Testy A/B
______Wdrożenie równoległe
___Wskaźniki i monitoring
___Autoskalowanie
______Zasady autoskalowania
______Definiowanie zasady autoskalowania
___Podsumowanie
Rozdział 9. Aplikacje wnioskujące kontekstowo w oparciu o technikę RAG i agentów
___Ograniczenia modeli LLM
______Halucynacje
______Odcięcie wiedzy
___Generowanie wspomagane pobieraniem
______Zewnętrzne źródła wiedzy
______Proces RAG
______Załadowanie dokumentów
______Fragmentowanie dokumentów
______Pobieranie dokumentów i ponowny ranking wyników
______Rozszerzenie monitu
___Koordynacja i implementacja techniki RAG
______Ładowanie i fragmentowanie dokumentów
______Magazyn wektorów osadzeń i pobieranie danych
______Łańcuch pobrań
______Ponowny ranking z wykorzystaniem algorytmu MMR
___Agent
______Platforma ReAct
______Platforma PAL
___Aplikacje oparte na generatywnej sztucznej inteligencji
___FMOps: utrzymanie cyklu życia projektu aplikacji opartej na generatywnej sztucznej inteligencji
______Eksperymentowanie
______Programowanie
______Wdrożenie w środowisku produkcyjnym
___Podsumowanie
Rozdział 10. Multimodalne modele podstawowe
___Zastosowania multimodalnych modeli generatywnej sztucznej inteligencji
___Dobre praktyki inżynierii multimodalnego monitu
___Generowanie i udoskonalanie obrazów
______Generowanie obrazów
______Edycja i udoskonalanie obrazów
___Wrysowanie, rozrysowanie i podrysowanie___obrazu
______Wrysowanie obrazu
______Rozrysowanie obrazu
______Podrysowanie obrazu
___Podpisywanie obrazów, moderowanie treści___i odpowiadanie na wizualne pytania
______Podpisywanie obrazów
______Moderowanie treści
______Odpowiadanie na wizualne pytania
___Ocena modelu
______Generatywna konwersja tekstu na obraz
______Dyfuzja w przód
______Rozumowanie niewerbalne
___Podstawy algorytmu dyfuzyjnego
______Dyfuzja w przód
______Dyfuzja wstecz
______Sieć U-Net
___Model Stable Diffusion 2
______Koder tekstu
______Sieć U-Net i proces dyfuzji
______Kondycjonowanie tekstu
______Uwaga krzyżowa
______Harmonogram
______Dekoder obrazu
___Model Stable Diffusion XL
______Sieć U-Net i uwaga krzyżowa
______Rafinator
______Kondycjonowanie
___Podsumowanie
Rozdział 11. Sterowanie procesem generowania obrazów i dostrajanie modelu Stable Diffusion
___ControlNet
___Dostrajanie modelu
______DreamBooth
______Metody DreamBooth, PEFT i LoRA
______Inwersja tekstu
___Dostosowywanie modelu do ludzkich wartości przy użyciu techniki RLHF
___Podsumowanie
Rozdział 12. Amazon Bedrock: usługa zarządzana dla generatywnej sztucznej inteligencji
___Modele podstawowe w usłudze Amazon Bedrock
______Modele Amazon Titan
______Modele Stability AI Stable Diffusion
___Interfejs API usługi Amazon Bedrock do wnioskowania
___Modele LLM
______Generowanie kodu SQL
______Streszczanie tekstu
______Osadzenia
___Dostrajanie modeli
___Agenci
___Modele multimodalne
______Tworzenie obrazu z tekstu
______Tworzenie obrazów z obrazów
___Prywatność danych i bezpieczeństwo sieci
___Zarządzanie i monitorowanie
___Podsumowanie