内容介绍
LLM找工作需要具备哪些能力
整体概览 - LLM找工作/搞科研需要具备哪些能力?
-
现阶段LLM市场上的哪些岗位,比如基座模型训练(预训练和对齐)、应用方向、AI Infra等
-
LLM工程师/学者需要的能力
-
LLM基础点(课程重点),比如预训练知识、微调、强化学习、优化、应用、评估等
-
代码能力(课程重点)
-
其他基础,包括计算机基础+数学功底等
手撕理论+实践
手撕理论+实践
-
梳理整个transformer基础(手撕Transformer、BERT、GPT等经典模型)
实战:GPT预训练 -
LLaMA(数据处理、SFT、CoT、手撕LLaMA和LLaMA2)
实战:LLaMA预训练 -
LoRA(包括手撕LoRA和QLoRA等)
实战:LLaMA2+QLoRA -
RLHF(手撕DQN&A2C、SFT、RW、RW-PPO等)
实战:RLHF训练实战 -
decoding算法(手撕Flash Attention等)
实战:flash attention和 flash decode等对比实验验证效果 -
分布式训练(分布式并行、分布式集群、DeepSpeed)
实战:deepspeed实战 -
长文本问题(详解位置编码等)
实战:拓宽上下文窗口实践 -
推理优化(详解Vllm等)
-
国内有名LLM模型(详解ChatGLM、Baichuan、MOSS、零一、千问等)
-
Agent&RAG(详解Agent和RAG理论)
实战:langchain
**备注:**细节的点很多很多,上面只是粗略的列举了一些~
面向群体是哪些?
适合群体
-
在校:NLP方向的学生,自己没有规划 or 导师无法手把手指导自己,在LLM时代略有迷茫,想快速掌握前沿理论与实践,并顺带得到一些学术指导,可以直接提供可做的idea
-
校招:前几年有些荒废 or 身边环境和资源阻碍了自己学习LLM,想快速掌握LLM理论与实践,并通过面试指导和真实面试复盘,大大提高拿到高薪offer的机会
-
社招:传统NLP方向想跳槽转高薪LLM岗位,但时间匆忙,想找个快速进阶的通道,外加面试指导与复盘,为跳槽做好充分跳槽
不适合群体
-
不适合NLP零基础想直接进阶LLM的
-
不适合其他专业想短时间转行LLM的
-
不适合已经是P7及以上大佬要进阶的
其他问题
-
直播上课期间可以当场提问吗?
当然可以,在课程当中会有提问环节,直接与老师面对面提问即可。 -
课后会有录播吗?
直播后会将该 直播视频+所有课上的材料 放入群中,供同学课后学习 -
课后答疑会是怎么样的?
答疑直接在群里提问即可,老师会及时回答,如果大家疑惑点一致的话,会额外安排答疑meeting细细解答。 -
模拟面试和真实面试复盘 和 学术指导是什么时候开始?
一般默认为课程结束后进行面试指导 or 学术指导,如果想提前与我们说即可,一般没问题。 -
课程结束后新的技术还会继续同步群里吗?
之后新的课程如果有新的技术加入,会更新到群里的哈。 -
一定能进大厂吗?
我们不做这个保证的,保证这个的绝对是割韭菜。如果跟着我们制定的路线走,我们能保证你从10分提到80分;如果你本身就已经有基础了,我们有信心帮你从80分提到95分,这几分可是相当具有含金量。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。