Tecniche di apprendimento
Concetti sui Large Language Models (LLM)
Vidhi Chugh
AI strategist and ethicist
Dove siamo?
Oltre i vincoli di dati
Fine-tuning
: addestrare un modello pre-addestrato su un compito specifico
E se ci sono pochi o nessun dato etichettato?
N-shot learning
: zero-shot, few-shot e multi-shot
Transfer learning
Imparare da un compito e trasferire a uno correlato
Trasferire conoscenze da pianoforte a chitarra
Lettura delle note
Comprensione del ritmo
Concetti musicali
N-shot learning
Zero-shot: nessun dato specifico del compito
Few-shot: pochi dati specifici del compito
Multi-shot: relativamente più dati di training
Zero-shot learning
Nessun training esplicito
Usa comprensione del linguaggio e contesto
Generalizza senza esempi precedenti
1
Freepik
Few-shot learning
Imparare un nuovo compito con pochi esempi
One-shot learning: fine-tuning da un solo esempio
Conoscenze pregresse per rispondere a nuove domande
Multi-shot learning
Richiede più esempi del few-shot
Compiti precedenti + nuovi esempi
Es.: un modello addestrato sui Golden Retriever
1
Freepik
Multi-shot learning
Output del modello
: Labrador Retriever
Fa risparmiare tempo su raccolta ed etichettatura dati
Senza perdere accuratezza
1
Freepik
Mattoncini finora
Flusso di preparazione dati
Fine-tuning
Tecniche di N-shot learning
Prossimo: pre-training
Ayo berlatih!
Concetti sui Large Language Models (LLM)
Preparing Video For Download...