Fine-Tuning Školení v Brno

Toto živé školení pod vedením instruktora Brno (online nebo na místě) je určeno pro pokročilé inženýry v oblasti obranných AI a vývojáře vojenských technologií, kteří si přejí doladit hluboké neuronové sítě tak, aby mohly být využity u autonomních vozidel, dronů a systémů sledování v souladu s přísnými požadavky na bezpečnost a spolehlivost.

Po absolvování tohoto kurzu budou účastníci schopni:

• Doladit modely pro počítačové vidění a kombinaci signálů z různých senzorů určené k sledování a identifikaci cílů.
• Přizpůsobit autonomní AI systémy měnícímu se prostředí a specifickým požadavkům jednotlivých misí.
• Implementovat robustní mechanismy validace a zajištění bezpečného provozu v rámci modelových řetězců.
• Zajistit soulad se specifikami obranní regulací, požadavky na bezpečnost a ochranu dat.

Tento kurz vedený lektorem Brno (online nebo na místě) je určen pro technické pracovníky v oblasti právních technologií a vývojáře umělé inteligence se středně pokročilou úrovní znalostí, kteří chtějí doladit jazykové modely na úkoly jako analýza smluv, extrakce klauzulí a automatizovaný právnický výzkum v prostředí právních služeb.

Po absolvování tohoto kurzu budou účastníci schopni:

• Připravit a vyčistit právnické dokumenty pro doladění modelů zpracování přirozeného jazyka.
• Použít strategie doladění k zvýšení přesnosti modelů při plnění právnických úkolů.
• Nasadit modely na pomoc s kontrolou smluv, jejich klasifikací a výzkumem.
• Zajistit shodu s právními předpisy, auditovatelnost a sledovatelnost výstupů umělé inteligence v právnickém kontextu.

Tento kurz veden lektorem v Brno (online či na místě) je určen pro vývojáře umělé inteligence a datové vědce s mírnou až pokročilou zkušeností, kteří chtějí doladit modely na účely klinické diagnózy, předpovídání onemocnění a odhadu výsledků léčby s využitím strukturovaných i nestrukturovaných zdravotnických dat.

Po absolvování tohoto kurzu budou účastníci schopni:

• Doladit modely umělé inteligence na zdravotnických datech, včetně elektronických zdravotních záznamů, lékařských snímků a časových řad.
• Využívat transfer learning, adaptaci modelu na konkrétní oblast a techniky komprese modelů v medicínském prostředí.
• Řešit otázky ochrany soukromí, předcházet předsudkům v modelech a zajistit jejich soulad s legislativou.
• Nasazovat doladěné modely do skutečných zdravotnických prostředí a monitorovat jejich fungování.

Toto živé školení pod vedením instruktora v Brno (online či na místě) je určeno pro data scienceře a inženýry umělé inteligence s pokročilými znalostmi ve finančním sektoru, kteří si přejí doladit modely pro využití např. při posuzování úvěruschopnosti, detekci podvodů a modelování rizik na základě specifických finančních dat.

Po absolvování tohoto školení budou účastníci schopni:

• Doladit modely umělé inteligence na finančních datech za účelem lepší predikce podvodů a rizik.
• Využít techniky jako transfer learning, LoRA a regularizaci k zvýšení efektivity modelů.
• Začlenit požadavky na finanční legislativu do pracovního postupu tvorby modelů umělé inteligence.
• Nasadit doladěné modely do produkčního prostředí v rámci finančních služeb.

Toto školení pod vedením instruktora (online nebo na místě) je určeno pro pokročilé inženýry udržování umělé inteligence a profesionály v oblasti MLOps, kteří chtějí implementovat spolehlivé pracovní postupy kontinuálního učení a efektivní strategie aktualizace již nasazených fine-tunovaných modelů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Navrhnout a implementovat pracovní postupy kontinuálního učení pro již nasazené modely.
• Předcházet katastrofickému zapomínání vhodným trénováním a správou paměti modelu.
• Automatizovat monitorování a spouštění aktualizací na základě změn v datech nebo chování modelu.
• Integovat strategie aktualizace modelů do stávajících CI/CD a MLOps procesů.

Toto živé školení pod vedením instruktora Brno (online nebo na místě) je určeno pro středně pokročilé vývojáře vestavěné umělé inteligence a specialisty na výpočty na okraji sítě, kteří chtějí doladit a optimalizovat lehké AI modely pro nasazení na zařízeních s omezenými zdroji.

Po absolvování tohoto kurzu budou účastníci schopni:

• Vybrat a přizpůsobit předtrénované modely vhodné pro nasazení na okraji sítě.
• Využít kvantizaci, prořezávání a další kompresní techniky ke snížení velikosti modelu a latence.
• Doladit modely pomocí přenosového učení tak, aby dosahovaly co nejlepších výsledků pro daný úkol.
• Nasadit optimalizované modely na skutečné hardwarové platformy určené k použití na okraji sítě.

Toto školení s přímým vedením lektora v Brno (online nebo na místě) je určeno pro pokročilé inženýry počítačového vidění a vývojáře AI, kteří chtějí doladit modely VLM typu CLIP a Flamingo za účelem zlepšení jejich výkonu při řešení specifických vizuálně-textových úloh v daném oboru.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit architekturu a metody předtrénování modelů pro zpracování obrazu a textu.
• Doladit modely VLM na klasifikaci, vyhledávání, generování popisků či multimodální dotazování.
• Připravit datové sady a využít strategie typu PEFT ke snížení nároků na výpočetní prostředky.
• Vyhodnotit a nasadit upravené modely VLM do produkčních prostředí.

Tento kurz vedený instruktorem Brno (online či prezenčně) je určen pro pokročilé inženýry strojového učení a odborníky na dodržování předpisů v oblasti AI, kteří chtějí rozpoznávat, vyhodnocovat a snižovat bezpečnostní rizika i předsudky u jazykových modelů po doladění.

Po absolvování kurzu budou účastníci schopni:

• Pochopit etický a regulační rámec pro bezpečné systémy AI.
• Rozpoznávat a vyhodnocovat běžné formy předsudků v modelech po doladění.
• Aplikovat techniky na zmírňování předsudků jak během, tak i po procesu trénování.
• Navrhovat a auditovat modely s ohledem na jejich bezpečnost, transparentnost a spravedlnost.

Toto školení pod vedením instruktora v Brno (online nebo na místě) je určeno inženýrům z oblasti zpracování přirozeného jazyka na středně pokročilé úrovni a týmům pro správu znalostí, kteří si přejí doladit RAG systémy za účelem zlepšení výkonu v oblasti vyhledávání odpovědí, firemních vyhledávačů a sumarizace informací.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit architekturu a postupy fungování RAG systémů.
• Doladit komponenty pro vyhledávání i generování textu na základě specifických dat daného odvětví.
• Hodnotit výkonnost RAG systémů a provádět vylepšení pomocí technik typu PEFT.
• Nasazovat optimalizované RAG systémy pro interní nebo produkční využití.

Toto školení pod vedením instruktora v Brno (online nebo na místě) je určeno pro vývojáře umělé inteligence a praktiky strojového učení na středně pokročilé úrovni, kteří si přejí doladit a nasadit modely s otevřenými váhami jako LLaMA, Mistral a Qwen pro konkrétní obchodní nebo interní potřeby.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit ekosystém open-source velkých jazykových modelů a jejich vzájemné rozdíly.
• Připravit datové sady a konfigurace potřebné k doladění modelů typu LLaMA, Mistral a Qwen.
• Provádět proces doladění pomocí knihoven Hugging Face Transformers a PEFT.
• Hodnotit, ukládat a nasazovat doladěné modely v bezpečném prostředí.

Tento přímý, živý výcvik v Brno (online nebo na místě) je zaměřen na datové vědce a inženýry AI střední úrovně, kteří chtějí doladovat velké jazykové modely dostupněji a efektivněji pomocí metod jako LoRA, Adapter Tuning a Prefix Tuning.

Na konci tohoto výcviku budou účastníci schopni:

• Pochopit teorii za přístupmi parametricky efektivního doladování.
• Nasazovat LoRA, Adapter Tuning a Prefix Tuning pomocí Hugging Face PEFT.
• Srovnat kompromisy mezi výkonem a náklady metod PEFT oproti plnému doladování.
• Nasazovat a škálovat doladěné LLM se sníženými požadavky na výpočetní výkon a úložiště.

Toto živé školení vedené instruktorem v Brno (online nebo prezenčně) je určeno pro strojově učící inženýry, vývojáře umělé inteligence a datové vědce na středně pokročilé a pokročilé úrovni, kteří se chtějí naučit, jak pomocí QLoRA efektivně doladit velké modely pro konkrétní úlohy a specifické požadavky.

Po absolvování tohoto školení budou účastníci schopni:

• Pochopit teorii QLoRA a kvantizačních technik určených pro velké jazykové modely.
• Implementovat QLoRA při doladění velkých jazykových modelů na úlohy v konkrétních oblastech.
• Optimalizovat výkonnost procesu doladění i při omezených výpočetních zdrojích díky kvantizaci.
• Efektivně nasazovat a vyhodnocovat doladěné modely v reálných aplikacích.

Toto školení pod vedením instruktora v Brno (online nebo na místě) je určeno pro pokročilé inženýry strojového učení a výzkumníky AI, kteří chtějí využít RLHF k doladění rozsáhlých modelů s cílem dosáhnout lepšího výkonu, vyšší bezpečnosti a větší shody s lidskými preferencemi.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit teoretické základy RLHF a jeho význam pro současný rozvoj umělé inteligence.
• Vytvářet odměňovací modely vycházející z lidské zpětné vazby, které budou usměrňovat procesy učení se pomocí posilování.
• Doladit velké jazykové modely za použití technik RLHF tak, aby jejich výstupy odpovídaly očekáváním lidí.
• Používat osvědčené postupy při škálování procesů RLHF pro nasazení v produkci.

Toto praktické školení pod vedením lektora v Brno (online či na místě) je určeno pro profesionály středně pokročilé úrovně, kteří si chtějí osvojit dovednosti potřebné k přizpůsobování AI modelů pro klíčové finanční úkoly.

Po absolvování kurzu budou účastníci schopni:

• Porozumět základům doladění modelů pro aplikace ve finančnictví.
• Využívat předtrénované modely k řešení specifických úloh v tomto odvětví.
• Aplikovat metody na detekci podvodů, posuzování rizik a tvorbu finančních doporučení.
• Zajistit dodržování legislativy v oblasti financí, jako je GDPR či SOX.
• Aplikovat zásady ochrany dat a etického využívání AI ve finančních systémech.

Toto živé školení pod vedením instruktora v Brno (online nebo na místě) je určeno pro profesionály na pokročilé úrovni, kteří si chtějí zdokonalit schopnosti diagnostikovat a řešit problémy spojené s fine-tunigem modelů strojového učení.

Po absolvování tohoto kurzu budou účastníci schopni:

• Diagnostikovat problémy jako nadměrné přizpůsobení modelu, nedostatečné přizpůsobení a nerovnováha dat.
• Implementovat strategie vedoucí ke zlepšení konvergence modelu.
• Optimalizovat procesy fine-tuningu za účelem dosažení lepšího výkonu.
• Ladit průběh trénování s využitím praktických nástrojů a technik.

Toto školení vedené instruktorem probíhá živě Brno (online nebo na místě) a je určeno pokročilým profesionálům, kteří chtějí ovládnout techniky optimalizace velkých modelů pro nákladově efektivní fine-tunování v praxi.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit obtíže spojené s fine-tunováním velkých modelů.
• Aplikovat techniky distribuovaného trénování na velké modely.
• Využívat kvantizaci a redukci parametrů k zvýšení efektivity modelů.
• Optimalizovat využití hardwaru při fine-tunování.
• Nasazovat upravené modely úspěšně do produkčního prostředí.

Toto školení pod vedením instruktora Brno (online nebo na místě) je určeno pro profesionály středně pokročilé úrovně, kteří chtějí využít sílu inženýrství promptů a učení s několika příklady k optimalizaci výkonu LLM pro reálné aplikace.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět principům inženýrství promptů a učení s využitím několika příkladů.
• Navrhovat efektivní prompty pro různé úkoly v oblasti zpracování přirozeného jazyka.
• Využívat techniky učení s několika ukázkami k přizpůsobení LLM i při minimálním množství dat.
• Optimalizovat výkon LLM pro praktické aplikace.

Tento kurz vedený instruktorem v Brno (online nebo prezenčně) je určen pro pokročilé odborníky, kteří si chtějí osvojit doladění multimodálních modelů za účelem vytváření inovativních řešení na bázi umělé inteligence.

Po absolvování kurzu budou účastníci schopni:

• Porozumět architektuře multimodálních modelů, jako jsou CLIP a Flamingo.
• Efektivně připravovat a předzpracovávat multimodální datové sady.
• Doladit multimodální modely na konkrétní úkoly.
• Optimalizovat modely pro praktické využití a dosažení optimálního výkonu.

Toto praktické školení pod vedením instruktora Brno (online nebo na místě) je určeno pro zkušené výzkumníky v oblasti umělé inteligence, inženýry strojového učení a programátory, kteří chtějí doladit modely DeepSeek LLM tak, aby vznikly specializované AI aplikace přesně podle požadavků jednotlivých odvětví, oblastí či firemních cílů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět architektuře a možnostem modelů DeepSeek, včetně verzí DeepSeek-R1 a DeepSeek-V3.
• Přípravit datové sady a předběžně je zpracovat pro účely doladění modelů.
• Doladit modely DeepSeek LLM tak, aby vyhovovaly specifickým požadavkům jednotlivých oblastí.
• Efektivně optimalizovat a nasazovat výsledné modely.

Toto interaktivní školení pod vedením lektora Brno (online nebo na místě) je určeno pro pokročilé profesionály, kteří chtějí spolehlivě a efektivně nasadit optimalizované modely do produkce.

Po absolvování kurzu budou účastníci schopni:

• Pochopit výzvy spojené s nasazením optimalizovaných modelů do produkce.
• Vytvořit kontejnery a nasadit modely pomocí nástrojů jako Docker a Kubernetes.
• Nastavit monitorování a logování u již nasazených modelů.
• Optimalizovat modely tak, aby měly nízkou latenci a dobrou škálovatelnost v reálných podmínkách.

Tento kurz je veden lektorem a probíhá živě Brno (online nebo na místě). Je určen pro pokročilé odborníky z oblasti strojového učení, kteří si chtějí osvojit nejmodernější techniky transferového učení a uplatnit je při řešení složitých praktických problémů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit pokročilé koncepty a metody transferového učení.
• Implementovat techniky adaptace předem vytrénovaných modelů na konkrétní oblasti.
• Aplikovat kontinuální učení pro správu neustále se měnících úloh a datových sad.
• Ovládnout víceúlohové ladění, které zvyšuje výkonnost modelů napříč různými úkoly.

Toto interaktivní školení pod vedením lektora Brno (online nebo prezenčně) je určeno začínajícím i středně pokročilým odborníkům ve strojovém učení, kteří chtějí pochopit a využít principy přenosového učení ke zvýšení efektivity a výkonnosti svých projektů v oblasti umělé inteligence.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základní koncepty a výhody přenosového učení.
• Seznámit se s populárními předem vytrénovanými modely a jejich využitím.
• Provádět jemnou kalibraci předem vytrénovaných modelů pro specifické úlohy.
• Používat principy přenosového učení k řešení reálných problémů v oblasti zpracování přirozeného jazyka a počítačového vidění.

Toto živé školení pod vedením instruktora v Brno (online nebo prezenčně) je určeno pro programátory a odborníky na umělou inteligenci středně pokročilé úrovně, kteří chtějí implementovat strategie ladění velkých modelů bez nutnosti vysokého výpočetního výkonu.

Po dokončení kurzu budou účastníci schopni:

• Pochopit principy techniky Low-Rank Adaptation (LoRA).
• Implementovat LoRA za účelem efektivního ladění velkých modelů.
• Optimalizovat proces ladění v podmínkách s omezenými zdroji.
• Hodnotit a nasazovat modely upravené pomocí LoRA do reálného provozu.

Toto živé školení pod vedením instruktora Brno (online nebo na místě) je určeno profesionálům středně pokročilé a pokročilé úrovně, kteří chtějí přizpůsobit již natrenované modely konkrétním úkolům a datovým sadám.

Po absolvování tohoto školení budou účastníci schopni:

• Pochopit principy doladění a jeho využití.
• Připravit datové sady pro doladění již natrenovaných modelů.
• Doladit velké jazykové modely (LLM) na úlohy z oblasti zpracování přirozeného jazyka.
• Optimalizovat výkon modelu a řešit běžné problémy.

Toto školení pod vedením instruktora Brno (online nebo prezenčně) je určeno profesionálům střední úrovně, kteří chtějí zdokonalit své projekty zabývající se NLP prostřednictvím efektivního doladění předtrénovaných jazykových modelů.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům doladění modelů na úlohy v oblasti NLP.
• Doladit předtrénované modely typu GPT, BERT a T5 pro konkrétní aplikace v oblasti NLP.
• Optimalizovat hyperparametry za účelem zlepšení výkonnosti modelů.
• Vyhodnocovat a nasazovat doladěné modely do reálných podmínek.