
Generative KI-Systeme entwickeln
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
More details
Other editions
Additional editions

Persons
Content
- Cover
- Stimmen zum Buch Generative Kl-Systeme entwickeln
- Hinweise zur Benutzung
- Titel
- Impressum
- Inhalt
- Vorwort
- 1 Einführung in das Bauen von KI-Anwendungen mit Foundation Models
- Der Aufstieg des AI Engineering
- Von Sprachmodellen zu Large Language Models
- Von Large Language Models zu Foundation Models
- Von Foundation Models zum AI Engineering
- Anwendungsfälle für Foundation Models
- Coding
- Bild- und Videoproduktion
- Texten
- Lernen
- Dialog-Bots
- Informationsaggregation
- Datenorganisation
- Workflow-Automation
- KI-Anwendungen planen
- Evaluation des Anwendungsfalls
- Erwartungen setzen
- Meilensteinplanung
- Wartung
- Der AI-Engineering-Stack
- Drei Schichten des KI-Stacks
- AI Engineering versus ML Engineering
- AI Engineering versus Full-Stack Engineering
- Zusammenfassung
- 2 Foundation Models verstehen
- Trainingsdaten
- Mehrsprachige Modelle
- Domänenspezifische Modelle
- Modellieren
- Modellarchitektur
- Modellgröße
- Post-Training
- Supervised Finetuning
- Preference Finetuning
- Sampling
- Grundlagen des Samplings
- Sampling-Strategien
- Test Time Compute
- Strukturierte Ausgaben
- Die statistische Natur der KI
- Zusammenfassung
- 3 Evaluierungsmethoden
- Herausforderungen beim Evaluieren von Foundation Models
- Die Metriken von Sprachmodellen verstehen
- Entropie
- Kreuzentropie
- Bits-per-Character und Bits-per-Byte
- Perplexität
- Interpretation und Anwendungsfälle für die Perplexität
- Exakte Evaluation
- Funktionale Korrektheit
- Ähnlichkeitsmessung gegen Referenzdaten
- Einführung in Embeddings
- AI-as-a-Judge
- Warum AI-as-a-Judge?
- Wie Sie AI-as-a-Judge verwenden
- Grenzen eines AI-as-a-Judge
- Welche Modelle können als AI Judges agieren?
- Modelle durch vergleichende Evaluation einstufen
- Herausforderungen der vergleichenden Evaluation
- Die Zukunft der vergleichenden Evaluierung
- Zusammenfassung
- 4 KI-Systeme evaluieren
- Evaluierungskriterien
- Domänenspezifische Fähigkeiten
- Generierungsfähigkeiten
- Fähigkeit zum Befolgen von Anweisungen
- Kosten und Latenz
- Modellauswahl
- Modellauswahl-Workflow
- Modell bauen oder kaufen?
- Öffentliche Benchmarks nutzen
- Ihre Evaluierungs-Pipeline entwerfen
- Schritt 1: Alle Komponenten in einem System evaluieren
- Schritt 2: Eine Evaluierungsrichtlinie erstellen
- Schritt 3: Methoden und Daten zur Evaluation definieren
- Zusammenfassung
- 5 Prompt Engineering
- Einführung in das Prompting
- In-Context Learning: Zero-Shot und Few-Shot
- System-Prompt und User-Prompt
- Kontextlänge und Kontexteffizienz
- Best Practices beim Prompt Engineering
- Klare und explizite Anweisungen schreiben
- Ausreichend Kontext bereitstellen
- Komplexe Aufgaben in einfachere Unteraufgaben aufteilen
- Dem Modell Zeit zum Denken geben
- Über Ihre Prompts iterieren
- Evaluieren Sie Prompt-Engineering-Tools
- Prompts organisieren und versionieren
- Defensive Prompt Engineering
- Proprietäre Prompts und Reverse Prompt Engineering
- Jailbreaking und Prompt Injection
- Informationsextraktion
- Verteidigung gegen Prompt-Angriffe
- Zusammenfassung
- 6 RAG und Agenten
- RAG
- RAG-Architektur
- Retrieval-Algorithmen
- Retrieval-Optimierung
- RAG für mehr als Texte
- Agenten
- Überblick über Agenten
- Tools
- Planung
- Fehlerzustände von Agenten und deren Evaluation
- Memory
- Zusammenfassung
- 7 Optimieren
- Überblick über das Optimieren
- Wann man optimiert
- Gründe für das Optimieren
- Gründe gegen das Optimieren
- Optimieren und RAG
- Speicherengpässe
- Backpropagation und trainierbare Parameter
- Speichermathematik
- Numerische Repräsentationen
- Quantisierung
- Optimierungstechniken
- Parametereffizientes Optimieren
- Model Merging und Multi-Task Finetuning
- Optimierungstaktiken
- Zusammenfassung
- 8 Dataset Engineering
- Kuratieren von Daten
- Datenqualität
- Datenabdeckung
- Datenquantität
- Datenbeschaffung und Datenannotation
- Datenaugmentation und Datensynthese
- Warum Datensynthese?
- Klassische Techniken der Datensynthese
- KI-gestützte Datensynthese
- Modelldestillation
- Datenverarbeitung
- Daten inspizieren
- Daten deduplizieren
- Daten bereinigen und filtern
- Daten formatieren
- Zusammenfassung
- 9 Inferenzoptimierung
- Inferenzoptimierung verstehen
- Überblick über die Inferenz
- Metriken zur Inferenzperformance
- KI-Beschleuniger
- Inferenzoptimierung
- Modelloptimierung
- Optimieren des Inferenzservice
- Zusammenfassung
- 10 Architektur beim AI Engineering und User-Feedback
- Architektur beim AI Engineering
- Schritt 1: Kontext erweitern
- Schritt 2: Leitplanken installieren
- Schritt 3: Router und Gateways für das Modell hinzufügen
- Schritt 4: Latenz durch Caches verringern
- Schritt 5: Agenten-Patterns hinzufügen
- Monitoring und Observability
- KI-Pipeline-Orchestrierung
- User-Feedback
- Dialog-Feedback extrahieren
- Feedback-Design
- Grenzen des Feedbacks
- Zusammenfassung
- Epilog
- Index
- Über die Autorin
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.