Deshalb hat Google kürzlich eine Liste mit kostenlosen Kursen zur Einführung in generative KI veröffentlicht und die größte Frage ist: Sind sie den Hype wert?
Ich denke, dafür bin ich hier. Nachdem ich Googles Lernpfad „Einführung in die generative KI“ abgeschlossen habe (hier ansehen), hier meine Meinung.
People Mentioned
Deshalb hat Google kürzlich eine Liste mit kostenlosen Kursen zur Einführung in generative KI veröffentlicht und die größte Frage ist: Sind sie den Hype wert?
Ich denke, dafür bin ich hier. Nachdem ich Googles Lernpfad „Einführung in die generative KI“ abgeschlossen habe ( ), hier meine Meinung.
Inhaltsverzeichnis
Kursaufschlüsselung
Zielgruppe
Lernziele
Inhaltsanalyse
Zusammenfassung/Spickzettel
Endgültiges Urteil (Lohnt es sich?)
Zusätzliche Ressourcen
Aufschlüsselung der Kurse zum generativen KI-Lernpfad von Google
Zielgruppe
Die Kurse von Google richten sich an Studierende ohne technische Vorkenntnisse zum Thema, oder, wie in ihrem erklärt, ist der Kurs für ein nicht-technisches, technikaffines Publikum mit Rollen wie Vertrieb, Personalwesen, Marketing und Betrieb konzipiert. In diesem Sinne bedeutet dies, dass der Kurs keine detaillierten Anleitungen bietet, sondern eine großartige Einführung in grundlegende Konzepte der generativen KI bietet.
Lernziele
Die Idee besteht darin, die Frage „Aber was ist eigentlich generative KI?“ richtig zu beantworten.
Der Schwerpunkt des Kurses liegt auf generativer KI, großen Sprachmodellen und Ethik in der KI. Im Rahmen des Kurses erfahren Sie außerdem mehr über dievon Google bereitgestellten KI-Dienste und die Rolle von Google bei der Einbindung verantwortungsvoller KI-Praktiken. Dazu gehört eine Mischung aus Fallstudien, vorlesungsähnlichen Videos und Quizfragen.
Inhaltsanalyse
Also lasst uns den Stoff im Lernpfad entschlüsseln:
Verstehen Sie, dass der Kurs „Generative AI Fundamentals“ im Grunde eine Zusammenstellung der ersten drei Kurse ist (Einführung in Gen AI, Einführung in LLM und Einführung in verantwortungsvolle KI), jedoch mit einem zusätzlichen Quiz. Und hier ist der Deal: Wenn Sie die Kurse vor dem Skill-Badge-Kurs absolvieren würden, müssten Sie sie nicht wiederholen. Ich vermute, dass der Lernpfad so formatiert ist, um sicherzustellen, dass Sie die Kursmaterialien tatsächlich durchgehen, anstatt nur auf „Weiter“ zu klicken, wenn Sie das Fertigkeitsabzeichen „Generative AI Fundamentals“ versuchen.
Um den Inhalt der Kurse herauszugreifen, sind hier einige Spickzettel, die ich entwickelt habe:
Zusammenfassung + Spickzettel
Generative KI
Beginnend mit „Was ist künstliche Intelligenz?“ handelt es sich um einen Bereich der Informatik, der die menschliche Kognition nachahmt, um komplexe Aufgaben auszuführen und daraus zu lernen. Innerhalb der KI gibt es das Teilgebiet des maschinellen Lernens, das auf Daten trainierte Algorithmen verwendet, um anpassungsfähige Modelle zu erstellen, die verschiedene komplexe Aufgaben ausführen können.
Innerhalb von ML gibt es verschiedene Arten, darunter überwachtes Lernen, unüberwachtes Lernen, verstärkendes Lernen und tiefes Lernen. Deep Learning nutzt künstliche neuronale Netze und ermöglicht so die Erstellung komplexerer Muster, wobei die neuronalen Netze überwachtes Lernen, unüberwachtes Lernen und halbüberwachtes Lernen nutzen, um ihr Ziel zu erreichen. Es gibt zwei Arten von Deep-Learning-Modellen, nämlich diskriminierende und generative.
Generative KI ist eine Art künstliche Intelligenz-Technologie, die verschiedene Arten von Inhalten erzeugen kann, darunter Text, Bilder, Audio und synthetische Daten. Kurz gesagt ist GenAI eine Art KI, die neue Inhalte erstellt, basierend auf dem, was sie aus vorhandenen Inhalten gelernt hat. Es verwendet einen Lernprozess namens Training, der zur Erstellung eines statistischen Modells führt, das wiederum verwendet wird, um vorherzusagen, wie die erwartete Reaktion aussehen könnte, wenn eine Eingabeaufforderung gegeben wird.
Große Sprachmodelle
Große Sprachmodelle gelten aus zwei Gründen als groß: Sie werden auf einem großen Trainingsdatensatz mit einer großen Anzahl von Parametern trainiert. Parameter, die oft als Hyperparameter bezeichnet werden, sind im Wesentlichen die Erinnerungen und das Wissen, das die Maschine gelernt hat, und werden verwendet, um die Fähigkeit des Modells zur Lösung von Problemen zu definieren. LLMs sind ebenfalls universell einsetzbar, da sie darauf abzielen, allgemeine Probleme mithilfe menschlicher Sprachen zu lösen.
Es gibt zwei Arten von LLMs, nämlich vorab trainierte und feinabgestimmte Modelle, wobei vorab trainierte Modelle „alles“ können, aber ihre praktischen Einschränkungen haben, während feinabgestimmte Modelle in eine bestimmte Nische passen oder darauf abzielen, ein bestimmtes Problem zu lösen. Es ist wichtig zu beachten, dass die Feinabstimmung tendenziell teuer ist. Daher gibt es effizientere Methoden wie Parameter-Efficient Tuning Methods (PETM) wie Prompt Tuning.
Um Eingabeaufforderungen zu verstehen, handelt es sich im Wesentlichen um Eingaben, die einem LLM gegeben werden, um eine bestimmte Antwort hervorzurufen. Das übliche Missverständnis besteht zwischen promptem Design und promptem Engineering. Um es aufzuschlüsseln: Prompt Design ist auf die spezifische Aufgabe zugeschnitten, die das System ausführen soll, während Prompt Engineering darauf ausgelegt ist, die Leistung des Modells zu verbessern, indem domänenspezifisches Wissen verwendet, Beispiele für eine gewünschte Ausgabe bereitgestellt und Schlüsselwörter verwendet werden Es ist bekannt, dass es für dieses spezielle System wirksam ist.
KI/ML-Dienste von Google
Vertex AI bietet einen Modellgarten für Fundamentmodelle. Betrachten Sie den Anwendungsfall, bei dem der Benutzer ein Modell zur Vorhersage der Kundenzufriedenheit verwenden möchte. Er kann sich für die Verwendung des Sentiment-Analyse-Aufgabenmodells vom Typ „Klassifizierungsaufgabe“ entscheiden.
Die Integration der PaLM-API mit MakerSuite vereinfacht den generativen Entwicklungszyklus. MakerSuite umfasst eine Reihe von Ressourcen, beispielsweise ein Modelltrainingstool zum Trainieren von Modellen anhand der Daten des Benutzers mithilfe verschiedener Algorithmen, ein Modellbereitstellungstool, mit dem Benutzer ihre Modelle in der Produktion bereitstellen können, und ein Modellüberwachungstool zur Überwachung der Modellleistung in der Produktion.
Das GenAI Studio ermöglicht Benutzern das schnelle Erkunden und Anpassen von GenAI-Modellen mit Ressourcen wie einer Bibliothek vorab trainierter Modelle, Tools zur Feinabstimmung von Modellen, Tools zum Bereitstellen von Modellen in der Produktion und einem Community-Forum für weitere Unterstützung.
Der GenAI App Builder bietet Benutzern eine Drag-and-Drop-Oberfläche, einen visuellen Editor zum Bearbeiten von App-Inhalten, eine integrierte Suchmaschine und eine Konversations-KI-Engine.
Bard ist ein Konversations-KI-Tool, das im Wesentlichen ein LLM ähnlich wie ChatGPT ist.
Kostenlose KI-Kurse von Google – Lohnen sie sich?
Ja, im einfachsten Sinne sind sie es. Wenn Sie mich kennen würden, würden Sie wissen, dass ich immer dafür stehe , neue Lernmöglichkeiten zu nutzen .
Es ist jedoch wichtig zu beachten, dass der Kurs nicht perfekt ist. Es kann zu Überschneidungen zwischen bestimmten Themen kommen und der Schwerpunkt liegt nur auf den Beiträgen von Google zur KI-Branche. Darüber hinaus sind die Tests möglicherweise nicht anspruchsvoll genug, insbesondere wenn man bedenkt, dass jedes Modul normalerweise nur aus 3 bis 5 Fragen pro Quiz besteht.
Bedenken Sie jedoch, dass der Kurs völlig kostenlos ist und Sie Ihre Erfolge auf Social-Media-Plattformen und in Ihrem Lebenslauf präsentieren können. Darüber hinaus ist der Kurs prägnant und unkompliziert, sodass er nicht zu viel Zeit in Anspruch nimmt. Glauben Sie mir, ich konnte den Weg in weniger als einem Tag schaffen 👀
So setzen Sie Ihre generative KI-Lernreise über Google-Kurse hinaus fort
Ich bin der Meinung, dass unsere Lernreise niemals nur von einer Quelle abhängen sollte. Hier sind einige andere Kurse, die Sie sich ansehen können:
