دوره قابلیت توضیح‌پذیری مدل‌های زبانی بزرگ و هوش مصنوعی عاملی

آنچه یاد خواهید گرفت: مدل‌های یادگیری ماشین عاملی، حتی زمانی که به درستی کار می‌کنند، اپلیکیشن‌های کامپیوتری بسیار پیچیده و غیرقابل پیش‌بینی هستند که تکنیک‌های سنتی تست و توضیح‌پذیری همیشه به‌ کار نمی‌روند. در این دوره « قابل‌توضیح‌پذیری مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی عاملی» یاد می‌گیرید که چگونه سیستم‌های LLM عاملی قابل توضیح بسازید و قابلیت توضیح‌پذیری را در سیستم‌های موجود پیاده‌سازی کنید. ابتدا مفاهیم اصلی پیرامون توضیح‌پذیری را می‌فهمید، مانند اینکه چرا ضروری است (به‌ عنوان مثال، برای توجیه تصمیماتی که ممکن است بر معیشت یا سلامت افراد تأثیر بگذارد) و چرا پیاده‌سازی آن در مقایسه با نرم‌افزارهای سنتی دشوارتر است. سپس روش استدلال زنجیره‌ افکار، نحوه استفاده از آن و نحوه پیاده‌سازی در سیستم‌های هوش مصنوعی موجود را کشف می‌کنید. در نهایت روش‌های نوظهور پیاده‌سازی توضیح‌پذیری از جمله مصورسازی توجه و انتساب داده‌ تصویر را می‌آموزید. پس از اتمام دوره، مهارت‌ها و دانش لازم برای پیاده‌سازی و نگهداری سیستم‌های LLM قابل توضیح را در اختیار خواهید داشت.