Hilo de meng shao (@shao__meng)

[Recomendación de código abierto] Libro de ingeniería de IA y otros recursos Esta biblioteca de recursos, que acompaña al famoso libro de IA de @chipro "Ingeniería de IA", no solo incluye explicaciones del contenido del libro sino también una gran cantidad de recomendaciones de recursos de IA: ¡un verdadero tesoro! Posicionamiento central: una guía de transformación de la “alquimia” a la “construcción de un edificio” El núcleo de este proyecto y libro radica en definir una disciplina de ingeniería emergente: la ingeniería de IA. La ingeniería de ML tradicional se centra en el entrenamiento de modelos desde cero, la ingeniería de características y el procesamiento de datos tabulares (lo que puede entenderse como "alquimia"). La próxima generación de ingeniería de IA se centra en el uso de modelos básicos existentes para construir productos de aplicación práctica (lo que puede entenderse como "construir" con materiales prefabricados de alta resistencia). Este proyecto tiene como objetivo ayudar a los desarrolladores a superar la enorme brecha entre "ser capaz de escribir un Prompt" y "crear aplicaciones de IA de nivel empresarial". El repositorio de descripción general de contenido clave contiene ejemplos de código, notas complementarias y herramientas para cada capítulo del libro: • Selección y comprensión de modelos básicos: cómo seleccionar el LLM o LMM adecuado de una enorme base de datos de modelos para las necesidades de su negocio. • Evaluación: Este es un punto clave del libro. En la IA generativa, el resultado del modelo es incierto. ¿Cómo podemos evaluar científicamente la calidad de un modelo? El proyecto explora métodos de vanguardia, incluyendo la "IA como juez". • RAG y agentes: Cómo habilitar los modelos para realizar RAG utilizando datos privados externos y cómo habilitar los modelos para que completen tareas de forma autónoma mediante herramientas. Estos son actualmente los dos modelos más comunes para que las empresas implementen IA. • Ajuste fino e ingeniería de conjuntos de datos: cuando un modelo de propósito general es insuficiente, ¿cómo podemos ajustar eficientemente el modelo utilizando datos para convertirlo en un experto en el dominio? • Optimización de inferencia: prácticas de ingeniería estrictas sobre costos y latencia, que le enseñan cómo hacer que las aplicaciones de IA se ejecuten de manera rápida y rentable. ¿Para quién es adecuado? • Desarrolladores de aplicaciones de IA: ingenieros que desarrollan productos basados ​​en LLM (como robots de servicio al cliente y herramientas de análisis de documentos). • Ingenieros en transición desde el ML tradicional: científicos de datos que desean comprender la nueva pila de tecnología de la era de los grandes modelos. • Gerente de tecnología/CTO: tomadores de decisiones que necesitan comprender las vías técnicas y las estructuras de costos para la implementación de IA. Dirección de código abierto: