CHAPITRE 1 Fondements du LLM

1.1 Applications de l'IA générative et LLM
1.2 La voie vers la commercialisation des applications d'IA générative
1.3 L'importance de l'optimisation des coûts
_1.4 Résumé

CHAPITRE 2 : Techniques de réglage pour l'optimisation des coûts

2.1 Réglages et personnalisation
_2.2 Réglage fin efficace des paramètres (PEFT)
2.3 Impact du PEFT sur les coûts et les performances
2.4 Résumé

CHAPITRE 3 : Techniques d'inférence pour l'optimisation des coûts

3.1 Introduction aux techniques d'inférence
3.2 Ingénierie rapide
3.3 Mise en cache à l'aide de magasins vectoriels
3.4 Chaîne de gestion des documents longs
_3.5 Résumé du texte
3.6 Regroupement des invites pour une inférence efficace
3.7 Méthodes d'optimisation des modèles
_3.8 Réglage fin efficace des paramètres (PEFT)
_3.9 Impacts sur les coûts et les performances
_3.10 Résumé

CHAPITRE 4 CHOIX DU MODÈLE ET ALTERNATIVES

4.1 L'importance de la sélection du modèle
4.2 Modèle compact et efficace
_4.3 Exemples de réussite avec de petits modèles
4.4 Modèle spécifique au domaine
4.5 Performance des invites à l'aide d'un modèle général
_4.6 Résumé

CHAPITRE 5 Stratégies d'optimisation de l'infrastructure et du déploiement

_5.1 Stratégie de réglage
5.2 Optimisation de l'utilisation et du déploiement du matériel
_5.3 Outil d'accélération de l'inférence
5.4 Surveillance et observabilité
_5.5 Résumé

CHAPITRE 6 : La clé d’une mise en œuvre réussie de l’IA générative

6.1 Équilibre entre performance et coût
6.2 Tendances futures des applications d'IA générative
_6.3 Résumé

Aujourd'hui, l'optimisation est au cœur des services d'IA !
Apprenez tout sur le LLM en conception de services !

Avec l'émergence de LLM offrant des performances élevées pour un investissement minimal, comme DeepSearch, un nouveau mot-clé est apparu dans le processus de développement de l'IA : l'optimisation.
Ce livre couvre de manière générale les méthodologies et théories pratiques nécessaires à la construction de services d'IA performants avec des investissements efficaces, depuis l'exploitation de petits modèles (SLM), l'ingénierie rapide efficace, le réglage fin et les techniques de quantification.
En nous appuyant sur diverses études de cas et théories, nous fournissons des analyses approfondies aux startups, aux entreprises et aux développeurs confrontés aux coûts d'adoption de la technologie d'IA.
Nous espérons que cela sera d'une aide concrète à tous ceux qui ont besoin d'une stratégie d'optimisation LLM permettant de réduire les coûts et d'améliorer les performances.


Contenu principal

● Une technique efficace pour résoudre le problème du coût de calcul élevé des LLM
Techniques de réglage fin, d'inférence et de quantification pour créer des services d'IA générative rentables
● Modèles alternatifs tels que les modèles simplifiés et les modèles spécifiques à un domaine

Public cible

● Ingénieurs pragmatiques souhaitant concevoir, optimiser et déployer des modèles d'IA performants
● Les planificateurs et les décideurs qui souhaitent réaliser une évaluation commerciale des services d'IA
● Les développeurs souhaitant en savoir plus sur la technologie globale des modèles d'intelligence artificielle, y compris les titulaires d'un LLM
● Étudiants et professeurs en IA générative et en master de droit