Application Development with LLMs on Google Cloud (ADLGC) – Details

Detaillierter Kursinhalt

Modul 1 - Einführung in die generative KI in der Google Cloud

Themen:

  • Vertex AI on Google Cloud
  • Generative KI-Optionen in der Google Cloud
  • Einführung in den Anwendungsfall Kurs

Zielsetzungen:

  • Erkunden Sie die verschiedenen Optionen für den Einsatz generativer KI in der Google Cloud.

Modul 2 - Vertex AI Studio

Themen:

  • Einführung in Vertex AI Studio
  • Verfügbare Modelle und Anwendungsfälle
  • Entwerfen und Testen von Prompts in der Google Cloud-Konsole
  • Datenverwaltung in Vertex AI Studio

Zielsetzungen:

  • Verwenden Sie Vertex AI Studio, um Prompts für große Sprachmodelle zu testen.
  • Verstehen Sie, wie Vertex AI Studio Ihre Daten sicher hält

Aktivitäten:

  • Übung: Vertex AI Studio erforschen

Modul 3 - LangChain-Grundlagen

Themen:

  • Einführung in LangChain
  • LangChain-Konzepte und -Komponenten
  • Integration der Vertex AI PaLM APIs
  • Frage/Antwort-Kette mit PaLM API

Zielsetzungen:

  • Verstehen der grundlegenden Konzepte und Komponenten von LangChain
  • Entwicklung von LLM-gestützten Anwendungen mit LangChain und LLM-Modellen auf Vertex AI

Aktivitäten:

  • Übung: Erste Schritte mit LangChain + Vertex AI PaLM API

Modul 4 - Schnelles Engineering

Themen:

  • Überprüfung des "few-shot prompting
  • Gedankenkettenanregung
  • Retrieval augmented generation (RAG)
  • ReAct

Zielsetzungen:

  • Anwendung von Prompt-Engineering-Techniken zur Verbesserung der Ergebnisse von LLMs.
  • Implementierung einer RAG-Architektur, um LLM-Modelle zu erden.

Aktivitäten:

  • Labor: Prompt-Engineering-Techniken

Modul 5 - Erstellen benutzerdefinierter Chat-Anwendungen mit Vertex AI PaLM API

Themen:

  • LangChain für Chatbots
  • Speicher für Multi-Turn-Chat
  • Chat-Abfrage

Zielsetzungen:

  • das Konzept des Speichers für Multi-Iturn-Chat-Anwendungen zu verstehen.
  • Erstellen Sie eine Multiturn-Chat-Anwendung unter Verwendung der PaLM-API und LangChain.

Aktivitäten:

  • Übung: RAG mit LangChain implementieren