개발자이자 해커로서 LLama2에 대한 나의 경험

LLama2 모델 작업에 대한 여정과 통찰력을 공유할 블로그 게시물에 오신 것을 환영합니다. LLama2는 Meta가 개발한 환상적인 AI 모델이며, GPT-3를 연상시키는 기능을 탐색하는 것은 흥미롭습니다. 이 게시물에서는 LLama2의 설정, 전제 조건, 응용 프로그램, 중요성은 물론 직접 훈련하는 방법까지 살펴보는 등 LLama2의 다양한 측면을 살펴보겠습니다. HackBot 프로젝트를 진행하면서 얻은 LLama2 학습 경험을 여러분께 소개하게 되어 기쁩니다.

다룰 주제

• LLama2란 무엇인가요?
• 시작하는 방법?
• HackBot에서는 어떻게 사용했나요?
• 모델을 훈련하는 방법은 무엇입니까?
• 기능과 장점.
• 최종 기조연설.

LLama2란 무엇인가요?

LLama2는 Meta가 만든 최첨단 기술로, 그 핵심은 AI 모델로 분류됩니다. 인간의 언어를 이해하고 거의 인간과 유사한 의미 있는 응답을 생성할 수 있는 매우 지능적인 비서라고 생각하세요. LLama2의 목표는 사람과 컴퓨터 간의 상호 작용의 용이성과 자연성을 향상시키는 것입니다.

친구와 대화하거나 이메일을 작성할 때 자신을 어떻게 말로 표현하는지 생각해 보세요. 당신이 소통하는 사람들은 이해하고 반응합니다. 작동 방식과 유사하게 LLama2는 엄청난 양의 텍스트 데이터를 처리하고 그로부터 학습할 수 있습니다. 이를 통해 LLama2는 정보 전달, 질의 응답, 콘텐츠 작성 및 문제 해결 지원과 같은 다양한 작업을 지원할 수 있습니다.

LLama2의 독특한 특징은 접근성을 염두에 두고 제작되었다는 것입니다. 이는 다양한 수준의 기술 능력을 가진 사람이 사용할 수 있는 유연한 도구를 갖는 것과 같습니다. LLama2는 개발자, 작가, 학생 또는 인공 지능에 관심이 있는 사람 등 누구나 인공 지능의 잠재력에 접근할 수 있는 간단한 접근 방식을 제공합니다.

본질적으로 LLama2는 컴퓨터가 인간의 언어와 더욱 쉽고 효과적으로 상호 작용할 수 있는 가능성의 영역을 창출합니다. 기술과의 상호 작용은 텍스트 및 언어와 관련된 활동을 지속적으로 도와주는 가상 친구를 갖는 것과 같기 때문에 훨씬 더 생산적이고 효율적이 됩니다.

시작하는 방법?

시작하기 위한 첫 번째 단계부터 시작해 보겠습니다. 다음은 코드가 작동하도록 하기 위해 고려해야 할 작업입니다.

언어 선택:

Python은 믿을 수 있는 여행 동반자를 위한 나의 첫 번째 선택이었습니다. 프로그래밍 커뮤니티에서의 적응성과 광범위한 사용으로 인해 LLama2와 상호 작용하기 위한 훌륭한 옵션입니다. 이미 Python에 익숙하다면 좋은 상태입니다.

필수 사항 설정:

• HuggingFace 계정 및 Lama 저장소 액세스:

  시작하려면 여러 AI 모델과 도구가 포함된 플랫폼인 HuggingFace에 계정을 만들어야 합니다. 계정이 준비되었는지 확인하세요. 또한 Meta의 Lama 저장소에 대한 액세스 권한을 획득하여 LLama2의 구성 요소를 찾을 수 있습니다.

  
  

• C/C++ 및 Cmake 설치: LLama2에는 LLama-cpp라는 구성 요소가 있으며 이를 위해서는 C/C++ 및 Cmake가 시스템에 설치되어 있어야 합니다. 이러한 도구는 LLama-cpp를 구축하는 데 필수적이므로 설정되어 사용할 준비가 되었는지 확인하세요.

로그인 및 준비:

• Huggingface-cli 로그인: HuggingFace 계정 세부 정보를 가지고 HuggingFace 명령줄 인터페이스를 사용하여 로그인합니다. 이 단계에서는 계정 토큰을 사용하여 HuggingFace 플랫폼에 연결하고 필요한 AI 리소스에 대한 액세스 권한을 부여합니다. 토큰을 찾을 수 없으면 생성하여 이 URL을 사용하여 토큰을 찾을 수 있습니다.

  
  

  명령은 다음과 같습니다:

   $ huggingface-cli login Token: Your_Token

  
  

• LLama-cpp 설치: Llama-cpp는 라마와 Python이 함께 작동할 수 있는 저수준 액세스 바인더이며 더 많은 유연성을 제공합니다.

  
  

  설치는 2가지 방법으로 수행할 수 있습니다.

  • 직접 Python 설치:

     pip install llama-cpp-python

  • 컴파일 옵션: 이를 위해서는 모듈의 복잡한 설명을 위한 Readme를 확인해야 합니다: README.md

  
  

• Langchain 설치 : Langchain은 LLM 모델 애플리케이션 개발을 쉽게 하기 위한 개방형 프레임워크입니다. 특히 이 작업에서는 LLamaCpp , PrompTemplate , CallbackManager 및 StreamingStdOutCallbackHandler 모듈을 사용합니다.

  
  

  설치 명령은 다음과 같습니다.

   pip install langchain pip install langchainplus-sdk

Python 코드에서는 어떻게 사용됩니까?

이제 주요 질문은 그것이 어떻게 사용됩니까?

통합 부분은 여러 단계로 나눌 수 있다고 대답합니다.

• 모델 다운로드 및 정의:

  • 이를 위해 HackBot의 코드를 참고하겠습니다.

  • 모든 필수 모듈을 호출한 후 모델 이름과 이를 다운로드할 저장소를 결정해야 합니다.

     model_name_or_path = "localmodels/Llama-2-7B-Chat-ggml" model_basename = "llama-2-7b-chat.ggmlv3.q4_0.bin" model_path = hf_hub_download(repo_id=model_name_or_path, filename=model_basename)

    
    

  • 위 코드에서 사용된 라마 모듈은 7b 또는 70억 매개변수 모델이고 Localmodels 버전은 llama2입니다.

  • 그런 다음 model_path는 저장소에서 시스템으로 llama-2-7b-chat.ggmlv3.q4_0.bin을 다운로드하는 Huggingface 다운로더에 의해 모델의 다운로드 경로로 참조됩니다.

  • LlamaCpp는 이를 사용하기 위해 모델 위치를 참조하므로 경로가 중요합니다.

  
  

• 페르소나 및 프롬프트 템플릿을 정의합니다.

   from langchain import PromptTemplate from langchain.callbacks.manager import CallbackManager from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler template = """ persona: {persona} You are a helpful, respectful, and honest cybersecurity analyst. Being a security analyst, you must scrutinize the details provided to ensure they are usable for penetration testing. Please ensure that your responses are socially unbiased and positive. If a question does not make any sense or is not factually coherent. If you don't know the answer to a question, please don't share false information. Keep your answers in English and do not divert from the question. If the answer to the asked question or query is complete, end your answer. Keep the answer accurate and do not skip details related to the query. Give your output in markdown format. """ prompt = PromptTemplate(template=template, input_variables=["persona"]) callback_manager = CallbackManager([StreamingStdOutCallbackHandler()])

  • 라마를 개인 비서나 사이버 보안 분석가로 정의하는 등의 페르소나로 사용할 기본 템플릿을 제공해야 합니다.

  • 템플릿은 모델의 작동 방식을 정의하고 최종 출력에 많은 영향을 미칠 수 있으므로 최대한 주의하여 작성해야 합니다.

  • 그런 다음 템플릿 페르소나와 해당 페르소나를 사용하는 PromptTemplate 모듈을 사용하여 프롬프트가 생성됩니다.

  • 콜백 관리자는 AI의 출력을 표시하고 입력 및 출력 링크를 관리하는 데 사용됩니다.

    
    

• LlamaCpp 모듈을 정의합니다.

   llm = LlamaCpp( model_path=model_path, input={"temperature": 0.75, "max_length": 3500, "top_p": 1}, callback_manager=callback_manager, max_tokens=3500, n_batch=3500, n_gpu_layers=60, verbose=False, n_ctx=3500, streaming=False, )

  • LlamaCpp 모듈은 다운로드한 LLM 모듈을 연결하는 연결 모듈입니다.
  • 모듈이 작동하려면 다운로더를 시작할 때 미리 정의된 모델 경로와 연결해야 합니다.
  • 최대 입력 길이는 입력 섹션에서 정의되어야 하며 최대 토큰은 AI가 이해하는 텍스트인 토큰을 정의해야 합니다.
  • 그런 다음 배치, GPU 레이어 및 ctx가 정의되고 스트리밍이 False로 설정되어 출력을 직접 표시하지 않고 최종 출력을 깔끔하게 유지하기 위한 변수와 함께 저장할 수 있습니다.

이제 이를 구현함으로써 챗봇 백본이나 커넥터를 만들었고 이를 사용하여 AI 모델과 활발한 대화를 시작할 수 있습니다.

HackBot에서는 어떻게 사용했나요?

HackBot은 사이버 보안 관련 채팅 봇을 만들려는 시도였으며 이 도구에는 스캔 데이터, 로그 데이터 분석 도구 및 코드 분석 기능과 같은 기능이 있습니다.

• 채팅 상호작용 루프:

   while True: try: prompt_in = Prompt.ask('> ') # ... except KeyboardInterrupt: pass

  
  

  이 루프는 사용자가 명령이나 프롬프트를 입력할 수 있는 대화형 환경을 만듭니다. 코드는 Prompt.ask('> ') 사용하여 사용자 입력을 기다리고 프로그램 충돌 없이 KeyboardInterrupt(Ctrl+C)와 같은 예외를 처리합니다. 이 루프는 챗봇이 응답성을 유지하고 사용자와 지속적으로 상호 작용할 수 있도록 보장합니다.

  
  

• 사용자 명령 처리:

   if prompt_in == 'quit_bot': quit() elif prompt_in == 'clear_screen': clearscr() pass elif prompt_in == 'bot_banner': # ... elif prompt_in == 'save_chat': # ... elif prompt_in == 'static_code_analysis': # ... elif prompt_in == 'vuln_analysis': # ... elif prompt_in == 'contact_dev': # ... elif prompt_in == 'help_menu': # ... else: # ...

  루프 내에서 사용자 입력은 다른 명령 키워드와 비교하여 확인됩니다. 입력에 따라 코드는 해당 작업을 실행합니다. 예를 들어, 사용자가 'quit_bot'을 입력하면 quit() 함수가 호출되어 프로그램을 종료합니다. 사용자가 'clear_screen'을 입력하면 clearscr() 함수는 콘솔 화면을 지웁니다. 다른 명령에도 유사한 논리가 적용됩니다.

  
  

• AI 응답 생성:

   else: prompt = prompt_in print(Print_AI_out(prompt)) pass

  사용자 입력이 미리 정의된 명령과 일치하지 않으면 AI에 대한 프롬프트로 처리됩니다. 입력은 prompt 변수에 할당되고 Print_AI_out(prompt) 함수가 호출되어 제공된 프롬프트를 기반으로 AI 응답을 생성합니다. 그런 다음 AI 생성 응답이 콘솔에 인쇄됩니다.

  
  

• 채팅 기록 저장:

   def save_chat(chat_history: list[Any, Any]) -> None: f = open('chat_history.json', 'w+') f.write(json.dumps(chat_history)) f.close

  save_chat 함수는 사용자 프롬프트와 AI 생성 응답을 모두 포함하는 대화 기록을 'chat_history.json'이라는 JSON 파일에 저장하는 역할을 합니다. 이 함수는 chat_history 목록의 데이터를 JSON 형식으로 직렬화하여 파일에 씁니다.

  
  

• 취약점 분석 및 정적 코드 분석:

   elif prompt_in == 'static_code_analysis': print(Markdown('----------')) language_used = Prompt.ask('Language Used> ') file_path = Prompt.ask('File Path> ') print(Markdown('----------')) print(static_analysis(language_used, file_path)) pass elif prompt_in == 'vuln_analysis': print(Markdown('----------')) scan_type = Prompt.ask('Scan Type > ') file_path = Prompt.ask('File Path > ') print(Markdown('----------')) print(vuln_analysis(scan_type, file_path)) pass

  이 섹션에서는 정적 코드 분석 및 취약점 분석을 수행하기 위한 사용자 명령을 처리합니다. 사용자에게 사용된 언어, 스캔 유형, 파일 경로 등의 정보를 제공하라는 메시지가 표시됩니다. 그러면 제공된 데이터와 함께 해당 분석 함수( static_analysis 또는 vuln_analysis )가 호출되고 AI는 분석 결과가 포함된 응답을 생성합니다.

  
  

• 취약점 분석: vuln_analysis 섹션에서 다음 코드는 사용자에게 입력하라는 메시지를 표시합니다.

   scan_type = Prompt.ask('Scan Type > ') file_path = Prompt.ask('File Path > ')

  
  

  여기서 Prompt.ask 함수는 사용자에게 대화형으로 정보를 요청하는 데 사용됩니다. 분석해야 하는 데이터의 스캔 유형과 파일 경로를 입력하라는 메시지가 사용자에게 표시됩니다. 이러한 입력은 취약성 분석에 필수적입니다. 사용자가 이러한 입력을 제공하면 사용자 입력을 통합하는 프롬프트를 사용하여 분석이 시작됩니다.

   prompt = f""" **Objective:** You are a Universal Vulnerability Analyzer powered by the Llama2 model. Your main objective is to analyze any provided scan data or log data to identify potential vulnerabilities in the target system or network. You can use the scan type or the scanner type to prepare a better report. **Instructions:** # ... (rest of the instructions) **Input Data:** You will receive the scan file data or log file data in the required format as input. Ensure the data is correctly parsed and interpreted for analysis. **Output Format:** The vulnerability analysis report should be organized as mentioned in the "Comprehensive Report" section. Please perform the vulnerability analysis efficiently, considering the security implications and accuracy, and generate a detailed report that helps users understand the potential risks and take appropriate actions. --- Provide the scan type: {scan_type} Provide the scan data or log data that needs to be analyzed: {file_data} """

  
  

  이 프롬프트에서 {scan_type} 및 {file_data} 자리 표시자는 사용자가 입력한 실제 값으로 대체됩니다. 그런 다음 이 동적 프롬프트는 제공된 스캔 유형 및 파일 데이터를 기반으로 분석 결과를 제공하는 AI 응답을 생성하기 위해 LLama2 모델로 전달됩니다.

  
  

• 정적 코드 분석: 마찬가지로 static_code_analysis 섹션에서 코드는 사용자에게 입력하라는 메시지를 표시합니다.

   language_used = Prompt.ask('Language Used> ') file_path = Prompt.ask('File Path> ')

  
  

  사용자에게 사용된 프로그래밍 언어와 분석해야 하는 코드의 파일 경로를 제공하라는 메시지가 표시됩니다. 이러한 입력은 정적 코드 분석을 수행하는 데 중요합니다. 취약점 분석 섹션과 마찬가지로 LLama2 모델에 대해 사용자 입력을 통합하는 프롬프트가 구성됩니다.

   prompt = f""" **Objective:** Analyze the given programming file details to identify and report bugs, vulnerabilities, and syntax errors. Additionally, search for potential exposure of sensitive information such as API keys, passwords, and usernames. **File Details:** - Programming Language: {language_used} - File Name: {file_path} - File Data: {file_data} """

  
  

  여기서 {language_used} 및 {file_path} 자리 표시자는 사용자가 제공한 실제 값으로 대체됩니다. 그런 다음 이 동적 프롬프트는 사용자가 입력한 프로그래밍 언어 및 파일 데이터를 기반으로 분석 결과를 표시하는 AI 응답을 생성하는 데 사용됩니다.

  
  

  두 경우 모두 동적 프롬프트를 사용하면 LLama2에서 생성된 응답이 상황에 맞게 관련되고 사용자가 요청한 특정 분석에 맞게 조정될 수 있습니다.

• 연락처 정보 및 도움말 메뉴:

   elif prompt_in == 'contact_dev': console.print(Panel( Align.center( Group(Align.center(Markdown(contact_dev))), vertical="middle", ), title= "Dev Contact", border_style="red" ), style="bold green" ) pass elif prompt_in == 'help_menu': console.print(Panel( Align.center( Group(Align.center(Markdown(help_menu))), vertical="middle", ), title= "Help Menu", border_style="red" ), style="bold green" ) pass

  
  

  이 섹션에서는 개발자의 연락처 정보를 표시하는 명령( contact_dev )과 사용 가능한 명령을 나열하는 도움말 메뉴( help_menu )를 처리합니다. 사용자가 이러한 명령을 입력하면 해당 정보가 Rich 라이브러리를 사용하여 보기 좋은 형식의 패널에 표시됩니다.

  
  

• 주요 기능 실행:

   if __name__ == "__main__": main()

  전체 채팅 상호 작용 및 처리 논리를 포함하는 main 기능은 스크립트가 직접 실행되는 경우에만 실행됩니다(모듈로 가져오지 않음). 이 줄은 스크립트가 실행될 때 챗봇의 핵심 기능이 실행되도록 보장합니다.

내 Github 저장소에서 전체 챗봇을 보고 시험해 볼 수 있습니다. 링크

모델을 훈련하는 방법은 무엇입니까?

AI 모델 교육은 계획과 정확성이 요구되는 혁신적인 프로세스입니다. 다음은 프로세스를 완료하기 위한 단계별 가이드입니다.

전제 조건 :

• Tensor Power: 상당한 텐서 처리 용량을 갖춘 강력한 시스템이 성공을 위한 발판을 마련할 것입니다. 장비가 AI 모델 훈련에 필요한 처리 능력을 처리할 수 있는지 확인하세요.

  
  

• 데이터 세트: AI 훈련 형식에 해당하는 데이터 세트는 모델의 학습 곡선을 가속화합니다. 효과적인 훈련은 모델의 정확성과 역량에 영향을 미치는 고품질 데이터에 달려 있습니다.

  
  

• Autotrain Advanced : 인공 지능에 대한 필수 교육 리소스에 직접 액세스할 수 있습니다. 이 프로그램을 통해 교육 절차가 간소화되어 중요한 절차를 자동화하고 생산성이 향상됩니다.

  
  

훈련 과정:

• 데이터 준비: 정확성과 균일성을 보장하려면 데이터세트를 구성하고 전처리하세요. 깨끗하고 정리된 데이터를 보유하는 것은 최고의 훈련 결과를 얻는 열쇠입니다.

  
  

• 모델 초기화: 출발점으로 사용할 수 있는 가장 좋은 사전 훈련된 모델을 선택하세요. 융합이 가속화되고 학습 프로세스가 빠르게 시작됩니다.

  
  

• 미세 조정: 학습률, 배치 크기, 최적화 설정과 같은 하이퍼매개변수를 조정하여 매개변수를 미세 조정합니다. 모델 성능과 수렴 속도의 균형을 맞추려면 다음 매개변수를 조정하세요.

  
  

• 훈련 반복: 모델을 통해 데이터 세트를 여러 번(에포크) 실행하여 훈련을 시작합니다. 모델은 반복할 때마다 이해력이 향상되어 예측 성향이 향상됩니다.

  
  

• 검증 및 테스트: 고유한 검증 데이터 세트를 활용하여 모델 개발을 지속적으로 검증합니다. 모델의 일반화 능력은 새로운 데이터에 대한 테스트를 통해 평가됩니다.

  
  

• 분석 및 모니터링: 훈련 지표에 세심한 주의를 기울이십시오. 손실 곡선, 정확도 추세, 기타 측정항목과 같은 지표는 모델 개발에 대한 정보를 제공합니다.

  
  

• 최적화 및 미세 조정: 모니터링 결과에 따라 하이퍼파라미터를 전략적으로 조정합니다. 원하는 성능을 얻으려면 모델을 반복적으로 개선하세요.

  
  

• 평가 및 배포: 최종 모델에 대한 철저한 테스트 데이터 세트 평가를 수행합니다. 결과가 만족스러우면 학습된 모델을 실제 애플리케이션에 사용하세요.

  
  

데이터 세트:

데이터세트는 사용 가능한 텍스트 생성별 데이터세트 아래의 허깅페이스 데이터세트에서 사용할 수 있는 것과 같이 미리 구축된 데이터세트일 수 있습니다. 사용자 정의 데이터 세트의 경우 다음 단계를 따르십시오.

• 데이터세트에는 열이 3개 이상 포함되어야 합니다.
• 첫 번째 열은 이름이어야 하고, 두 번째 열은 설명이어야 하며, 세 번째이자 마지막 열은 요청 및 AI 응답이 포함된 프롬프트입니다.

사용할 수 있는 샘플 데이터 세트 형식은 다음과 같습니다. data.csv

이것은 단지 1가지 유형이다.

데이터 세트가 있으면 이제 보유하고 있는 GPU 성능과 데이터 세트의 크기에 따라 AI를 훈련할 차례입니다. 시간도 그에 따라 상응합니다. 이제 Huggingface의 자동 학습 고급 모듈을 사용하여 AI를 학습할 수 있습니다.

다음 명령을 사용하여 autotrain-advanced를 설치할 수 있습니다.

 pip install autotrain-advanced

AI를 훈련시키는 명령은 다음과 같습니다.

 autotrain llm --train --project_name your_project_name --model TinyPixel/Llama-2-7B-bf16-sharded --data_path your_data_set --use_peft --use_int4 --learning_rate 2e-4 --train_batch_size 2 --num_train_epochs 3 --trainer sft --model_max_length 2048 --push_to_hub --repo_id your_repo_id -

project_name을 your_project_name 에서 실제 프로젝트 이름으로, 모델을 TinyPixel/Llama-2-7B-bf16-sharded 에서 훈련하려는 라마 모델로, data_path 를 . 사용자 정의 데이터세트이거나 huggingface/dataset 인 경우 Huggingface에서 가져온 경우 데이터세트의 저장소 ID입니다.

나는 Llama 모델이나 내가 손에 넣을 수 있는 모든 LLM 모델을 교육하여 축복이 될 해커로서 대부분의 작업을 자동화하는 완전한 사이버 보안 보조자가 되는 것을 목표로 합니다.

기능 및 장점

따라서 기능에 대해 이야기하면 Meta는 여러 벤치마크를 통해 Llama에 대한 연구 논문을 발표했습니다. 논문에 따르면 Llama 모델은 7B에서 65B 매개변수 범위를 가지며 다른 대규모 언어 모델에 비해 경쟁력 있는 성능을 가지고 있습니다. 예를 들어 Llama-13B는 10배 더 작음에도 불구하고 대부분의 벤치마크에서 GPT-3보다 성능이 뛰어납니다. Llama의 65B 매개변수 모델은 Chinchilla 또는 PaLM-540B와 같은 다른 대형 언어 모델과도 경쟁력이 있습니다. 또한 논문에서는 더 오랫동안 훈련된 작은 모델이 궁극적으로 추론 비용이 더 저렴할 수 있다고 언급합니다. 1T 토큰 이후에도 7B 모델의 성능이 계속 향상된다는 내용입니다. 하지만 해당 문서에서는 Llama 모델 간의 성능 차이에 대한 구체적인 수치를 제공하지 않습니다.

다른 소식통에서는 Llama 모델이 GPT 모델 및 PaLM 모델에 비해 더 다양하고 빠르며 사용할 수 있는 최고의 AI 모델 중 하나라고 주장합니다. 그러나 해킹이나 보안 관련 작업의 경우 많은 교육이나 개인적인 입력이 필요합니다. 교육 모델을 생성하기는 쉽지 않지만 일단 교육을 받으면 게임 체인저가 될 수 있습니다.

최종 기조연설

• 비교할 수 없는 효율성: AI는 몇 시간이 걸리던 프로세스를 이제는 몇 초 안에 완료하여 생산성을 높이고 중요한 시간을 확보합니다.
• 향상된 의사결정: AI 기반 분석은 지능적인 데이터 기반 의사결정을 제공하여 다양한 분야에 걸쳐 정확성과 예측력을 향상시킵니다.
• 개인화된 경험: AI는 개인화된 제안부터 적응형 학습을 위한 플랫폼에 이르기까지 개인의 선호도에 맞춘 경험을 제공합니다.
• 단조로운 운영 자동화: AI의 원활한 통합으로 더욱 혁신적이고 전략적인 프로젝트에 소요되는 시간이 확보됩니다.
• 혁신적인 솔루션: AI는 의료, 환경 및 기타 영역의 혁신을 촉진하여 복잡한 문제를 보다 효과적으로 해결합니다.

인공 지능의 세계로의 항해는 놀라울 정도로 빛을 발하며 자동화와 통합의 놀라운 영향을 입증했습니다. 저는 AI가 다양한 산업 분야에서 AI의 역량을 확인한 후 우리가 일하고 상호 작용하는 방식을 어떻게 변화시키고 있는지 깊은 감사를 표합니다. 정규 운영의 원활한 자동화를 관찰하는 것부터 AI가 일상 생활에 통합되는 것을 경험하는 것까지 저의 학습 경험은 놀라운 것이었습니다. 저는 AI의 복잡성에 대해 더 많이 배우면서 자동화와 통합이 단순한 기술적 아이디어 그 이상이라는 것을 배웠습니다. 오히려 혁신의 촉매제 역할을 합니다. 이 새로운 통찰력을 통해 저는 이제 효율성과 협업을 향상시킬 수 있는 AI의 잠재력이 무한한 세상을 볼 수 있습니다.

출처

• 메타 연구 논문
• 미세 조정에 대한 YT 비디오
• 라마 배포에 대한 중간 게시물

콘택트 렌즈

LinkedIn을 통해 저에게 연락하실 수 있습니다. 우려사항이 있으면 아래에 의견을 남겨주세요.

읽어 주셔서 감사합니다.