Un examen honnête des cours d'introduction à l'IA générative de Google

Google vient donc de publier récemment une liste de cours gratuits d'introduction à l'IA générative et la plus grande question est la suivante : valent-ils le battage médiatique ? Je suppose que c'est pour cela que je suis ici. Après avoir suivi le parcours d'apprentissage Introduction à l'IA générative de Google ( ), voici mes deux cents. consultez-le ici Table des matières Répartition des cours Public cible Buts d'apprentissage Analyse de contenu Résumé/aide-mémoire Verdict final (est-ce que ça vaut le coup ?) Ressources additionnelles Répartition des cours du parcours d'apprentissage de l'IA générative de Google Public cible Les cours de Google s'adressent aux étudiants sans connaissances techniques préalables sur le sujet ou, comme expliqué sur leur , le parcours est conçu pour un public non technique et proche de la technologie, avec des rôles tels que les ventes, les ressources humaines, le marketing et les opérations. À ce propos, cela signifie que le cours ne fournit pas , mais donne une excellente introduction aux concepts fondamentaux de l'IA générative. blog de procédures détaillées Buts d'apprentissage L’idée est de bien répondre à la question « Mais qu’est-ce que l’IA générative ? ». L'accent du cours est mis sur l'IA générative, les grands modèles linguistiques et l'éthique de l'IA. Tout au long du cours, vous pourrez également en apprendre davantage sur les et sur le rôle de Google dans l'intégration de pratiques d'IA responsables, qui comprennent un mélange d'études de cas, de vidéos de type cours magistral et de quiz. services d'IA fournis par Google Analyse de contenu Décryptons donc la matière du parcours d'apprentissage : Introduction à l'IA générative - cours Introduction aux grands modèles de langage - cours Introduction à l'IA Responsable - cours Fondamentaux de l'IA générative - cours avec badge de compétence IA responsable : appliquer les principes de l'IA avec Google Cloud – cours Comprenez cela, le cours Generative AI Fundamentals est essentiellement une compilation des trois premiers cours (Intro to Gen AI, Intro to LLM et Intro to Responsible AI), mais avec l'ajout d'un quiz. Et voici le problème : si vous deviez suivre les cours avant le cours de badge de compétence, vous n'auriez pas besoin de les refaire. Je suppose que la raison pour laquelle le parcours d'apprentissage est formaté de cette façon est de garantir que vous parcourrez réellement le matériel de cours plutôt que de simplement cliquer sur « suivant » lorsque vous tenterez le badge de compétence Fondamentaux de l'IA générative. En sélectionnant le contenu des cours, voici quelques aide-mémoire que j'ai développés : Résumé + Aide-mémoire IA générative Commençant par « Qu'est-ce que l'intelligence artificielle ? », il s'agit d'un domaine de l'informatique qui imite la cognition humaine pour effectuer des tâches complexes et en tirer des leçons. Au sein de l’IA, il existe le sous-domaine de l’apprentissage automatique qui utilise des algorithmes formés sur des données pour produire des modèles adaptables capables d’effectuer diverses tâches complexes. Au sein du ML, il existe différents types, notamment l’apprentissage supervisé, l’apprentissage non supervisé, l’apprentissage par renforcement et l’apprentissage profond. L'apprentissage profond utilise des réseaux de neurones artificiels, ce qui leur permet de créer des modèles plus complexes dans lesquels ses réseaux de neurones utilisent l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage semi-supervisé pour atteindre son objectif. Il existe deux types de modèles d'apprentissage profond, à savoir discriminants et génératifs. L'IA générative est un type de technologie d'intelligence artificielle qui peut produire différents types de contenu, notamment du texte, des images, de l'audio et des données synthétiques. En bref, GenAI est un type d’IA qui crée un nouveau contenu basé sur ce qu’elle a appris du contenu existant. Il utilise un processus d'apprentissage appelé formation qui aboutit à la création d'un modèle statistique, à son tour utilisé pour prédire quelle peut être une réponse attendue lorsqu'on lui donne une invite. Grands modèles de langage Les grands modèles de langage sont considérés comme grands en raison de deux facteurs : être formés sur un vaste ensemble de données de formation avec un grand nombre de paramètres. Souvent appelés hyperparamètres, les paramètres sont essentiellement les mémoires et les connaissances acquises par la machine et sont utilisés pour définir la capacité du modèle à résoudre des problèmes. Les LLM sont également à usage général car ils s'efforcent de résoudre des problèmes courants en utilisant des langages humains. Il existe deux types de LLM, à savoir les modèles pré-entraînés et affinés, dans lesquels les modèles pré-entraînés peuvent « tout » mais ont leurs limites pratiques, tandis que les modèles affinés correspondent à un créneau spécifique ou visent à résoudre un problème spécifique. Il est important de noter que le réglage fin a tendance à être coûteux, c'est pourquoi il existe des méthodes plus efficaces, telles que les méthodes de réglage efficaces par paramètres (PETM) comme le réglage par invite. Pour comprendre les invites, il s'agit essentiellement d'entrées données à un LLM pour susciter une réponse spécifique. L’idée fausse habituelle se situe entre une conception rapide et une ingénierie rapide. Pour le décomposer, la conception rapide est adaptée à la tâche spécifique que le système est chargé d'effectuer, tandis que l'ingénierie rapide est conçue pour améliorer les performances du modèle en utilisant des connaissances spécifiques au domaine, en fournissant des exemples d'un résultat souhaité et en utilisant des mots-clés qui sont connu pour être efficace pour ce système spécifique. Services IA/ML de Google Vertex AI propose un jardin de modèles pour les modèles de fondation. Considérez le cas d'utilisation dans lequel l'utilisateur a l'intention d'utiliser un modèle pour prédire la satisfaction client, il peut choisir d'utiliser le modèle de tâche d'analyse des sentiments de type tâche de classification. L'intégration de l'API PaLM avec MakerSuite simplifie le cycle de développement génératif. MakerSuite comprend un ensemble de ressources telles qu'un outil de formation de modèles pour former des modèles sur les données de l'utilisateur à l'aide de différents algorithmes, un outil de déploiement de modèles pour permettre aux utilisateurs de déployer leurs modèles en production et un outil de surveillance de modèles pour surveiller les performances du modèle en production. Le GenAI Studio permet aux utilisateurs d'explorer et de personnaliser rapidement les modèles GenAI avec des ressources telles qu'une bibliothèque de modèles pré-entraînés, des outils pour affiner les modèles, des outils pour déployer des modèles en production et un forum communautaire pour plus d'assistance. GenAI App Builder offre aux utilisateurs une interface glisser-déposer, un éditeur visuel pour modifier le contenu de l'application, un moteur de recherche intégré et un moteur d'IA conversationnelle. est un outil d'IA conversationnelle qui est essentiellement un LLM similaire à ChatGPT. Bard Cours d'IA gratuits de Google : en valent-ils la peine ? Oui, en termes simples, ils le sont. Si vous me connaissiez, vous sauriez que je suis toujours prêt . à profiter des nouvelles opportunités d'apprentissage Cependant, il est important de noter que le cours n'est pas parfait. Il peut y avoir un certain chevauchement entre certains sujets et il se concentre uniquement sur les contributions de Google à l'industrie de l'IA. De plus, les quiz peuvent ne pas être assez difficiles, d'autant plus que chaque module ne comprend généralement que 3 à 5 questions par quiz. Cependant, il convient de considérer que le cours est entièrement gratuit et vous permet de présenter vos réalisations sur les plateformes de médias sociaux et votre CV. De plus, le cours est concis et simple, il ne vous prendra donc pas trop de temps. Croyez-moi, j'ai pu terminer le chemin en moins d'une journée 👀 Comment poursuivre votre parcours d'apprentissage de l'IA générative au-delà des cours Google J'aimerais penser que notre parcours d'apprentissage ne devrait jamais dépendre d'une seule source, voici quelques autres cours que vous pouvez consulter : IA générative avec de grands modèles de langage par DeepLearning.AI Introduction à l'IA générative par Microsoft Fondements de l'IA générative sur AWS Technical Deep Dive Series par AWS Parlez-vous vectoriel ? Comprendre le langage des LLM et de l'IA générative par Datastax Guide du débutant sur l'utilisation des grands modèles linguistiques (LLM) avec l'API PaLM Autres: Visage câlin Flux tensoriel LangChaîne