meng shao（@shao__meng）のスレッド

[オープンソースの推奨事項] AIエンジニアリングの本とその他のリソース @chipro の有名な AI 書籍「AI エンジニアリング」に付属するこのリソース ライブラリには、書籍の内容の説明だけでなく、豊富な AI リソースの推奨事項も含まれており、まさに宝の山です。 コアポジショニング: 「錬金術」から「建物の構築」への変革ガイド このプロジェクトと本の核となるのは、新たなエンジニアリング分野である AI エンジニアリングを定義することです。 従来の ML エンジニアリングは、モデルをゼロからトレーニングすること、特徴量エンジニアリング、表形式データの処理（「錬金術」とも言える）に重点を置いています。 次世代の AI エンジニアリングは、既存の基本モデルを使用して実用的なアプリケーション製品を構築することに重点を置いています (プレハブの高強度材料を使用して「構築する」と理解できます)。 このプロジェクトの目的は、開発者が「プロンプトを作成できること」と「エンタープライズ グレードの AI アプリケーションを構築すること」の間にある大きなギャップを埋められるように支援することです。 主要なコンテンツの概要リポジトリには、本書の各章のコード例、補足メモ、ツールが含まれています。 • 基本的なモデルの選択と理解: 膨大なモデル データベースからビジネス ニーズに適した LLM または LMM を選択する方法。 • 評価：これは本書の大きなハイライトです。生成AIにおいては、モデルの出力は不確実です。モデルの品質を科学的に評価するにはどうすればよいでしょうか？本プロジェクトでは、「AIを裁判官として扱う」といった最先端の手法を探求します。 • RAGとエージェント：モデルが外部のプライベートデータを用いてRAGを実行できるようにする方法と、ツールを用いてモデルが自律的にタスクを完了できるようにする方法。これらは現在、企業がAIを実装する上で最も主流の2つのモデルです。 • 微調整とデータセットエンジニアリング: 汎用モデルが不十分な場合、データを使用してモデルを効率的に微調整し、ドメインエキスパートにするにはどうすればよいでしょうか。 • 推論の最適化: コストとレイテンシーに関するハードコアなエンジニアリングプラクティス。AI アプリケーションを高速かつコスト効率よく実行する方法を教えます。 誰に適していますか? • AIアプリケーション開発者：LLMベースの製品（カスタマーサービスロボットやドキュメント分析ツールなど）を開発しているエンジニア。 • 従来の ML から移行するエンジニア: ビッグモデル時代の新しいテクノロジー スタックを理解したいデータ サイエンティスト。 • テクノロジー マネージャー/CTO: AI 実装の技術的な経路とコスト構造を理解する必要がある意思決定者。 オープンソースアドレス: