Andrej Karpathy. Selkein alusta loppuun -selitys YouTubessa siitä, mikä LLM oikeastaan on — esikoulutus, tokenisointi, SFT, RLHF, päättelyn RL, työkalujen käyttö, hallusinaatiot — sillä yksityiskohtaisuudella, jota insinööri tarvitsee mallikompromissien päättelyyn. Katso kerran, niin artikkelin ”GPT-luokka vs. avoimet painot vs. päättelymalli” -päätökset lakkaavat tuntumasta brändivalinnoilta ja alkavat tuntua koulutusreseptivalinnoilta.
Mallinimet, hinnoittelu ja kyvyt muuttuvat nopeasti. Käytä tätä päätösmalliin, sitten varmista nykyinen mallin käyttäytyminen ennen käyttöönottoa.
Ymmärrä moderni LLM-pino riittävän hyvin päätelläksesi tokeneista, koulutuksesta, työkaluista ja epäonnistumisista.
Insinööritausta auttaa; ML-esivaatimuksia ei ole, mutta varaa kolmen ja puolen tunnin kesto.
Viimeksi tarkistettu: 18.5.2026
Jatka samalla oppimisreitillä seuraaviin valikoituihin oheisvideoihin.
18 minuuttiaOpettele, miksi skeema-ensin -LLM-kutsut tarvitsevat tyypitettyjä objekteja, validoijia, uudelleenyrityksiä ja eksplisiittistä käsittelyä virheellisille tai hallusinoiduille kentille.
77 minuuttiaKuule, miten tuotannon kehotinsinöörit tarkistavat ohjeita, esimerkkejä ja käyttäytymisrajoitteita oikeassa paineessa sen sijaan, että käsittelisivät kehotteita kertaluonteisena tekstinä.
55 minuuttiaSuunnittele arviointitikapuu, joka nappaa regressiot ennen kuin kehotteen tai mallin muutokset saavuttavat käyttäjät.
Valikoituja ulkoisia kursseja, jotka käsittelevät aiheita tarkemmin.
Coursera · DeepLearning.AI + AWSAntje Barth · Shelbee Eigenbrode · Mike Chambers · Chris Fregly
Kun ammattilaiset kysyvät "mitä tulisi ottaa, jos olen vakavasti ajanut suurien kielimallien kanssa työskentelyyn?", tähän on vastaus. Matemaattisesti rehellinen ilman että se olisi tutkimusartikkeli; AWS:n käyttöohjeet pysyvät hyödyllisinä vaikka koskaan ei koskaisi SageMakeria.
DeepLearning.AI · LlamaIndexJerry Liu
Naivin RAG (vektorihaku → lausekkeen täyttö) on ensimmäinen versio, joka toimii aluksi mutta tuottaa nopeasti pettymyksiä. Tämä lyhyt kurssi näyttää sinulle parannuksen: agentti suunnittelee hakua, valitsee työkalut, vertaa lähteitä ja vastaa monen asiakirjan kysymyksiin. Kaksi tuntia, välittömästi sovellettavissa todelliseen tuotteeseen.
DeepLearning.AI · LangChainHarrison Chase
Kontekstikentän amnesia-ongelma on se, mikä tekee useista agentteja unohtevaisiksi ja tyhmyiksi toisen päivän jälkeen. Tämä kurssi opettaa LangMem -malleja, jotka ratkaisevat tämän ongelman – episodinen, proseduraalinen ja semanttinen muisti – jolloin agentti muistaa käyttäjän mielipiteetä ja aiemmat vuorot istuntojen välillä ilman, että kehotteessa tulee liikaa painetta.
