4 подхода к созданию LLM-приложений

Если вы пытались собрать сервис на базе LLM: RAG для корпоративного репозитория, MVP для стартапа или бот для личных задач — наверняка столкнулись с тем, что всё работает не так, как задумывалось.

Модель галлюцинирует или отвечает в неподходящем стиле, промпты не помогают, RAG не находит релевантные данные, агенты игнорируют инструкции — и непонятно, надо ли дообучать LLM или стоит попробовать другую модель, но как выбрать?

В этот четверг команда DeepSchool проведёт открытую лекцию, на которой расскажут об ошибках создания LLM-систем, как их решать и как собрать сервис, за который не стыдно.

На лекции вы узнаете про:
- 4 базовых блока LLM-проекта — из чего собираются 99% приложений
- когда достаточно open-source LLM, а когда не обойтись без коммерческой
- RAG: гибридный поиск, чанкирование и методы борьбы с галлюцинациями
- как работают агенты и их реальные сценарии применения
- файнтюнинг: когда простого промпта недостаточно, как адаптировать модель под свою задачу и когда это нужно

А в конце представят курс LLM Start, на котором инженеры без опыта в deep learning научатся создавать свои первые LLM-приложения под кураторством опытных инженеров
Всем участникам лекции подарят скидки на обучение, поэтому не пропустите 🎁

🙋‍♂️Спикер: Илья Димов, Senior NLP-инженер, который занимается обучением Multimodal LLM
🔔 В четверг, 24 июля, в 19:00 МСК

Регистрируйтесь по ссылке и приходите в четверг вечером!