15 minuterSå bygger vi effektiva agenter: Barry Zhang, Anthropic
Utforma enklare agentloopar med tydliga stoppregler, uppgiftsgränser och kontrollpunkter för människor.
AvanceradAutomatisering
Utveckla en LLM: bygga, träna och finjustera
Sebastian Raschka. Sebastian Raschkas metodiska genomgång av var finjustering hör hemma i den bredare träningsprocessen för stora språkmodeller: instruktionsträning, finjustering för klassificering, parametereffektiva metoder och de avvägningar som artikeln tar upp innan den rekommenderar LoRA. Videon ger en bra kalibrering innan du börjar, särskilt om teamet diskuterar huruvida finjustering ens är rätt steg.
Anteckning från AI Expert
Modellnamn, priser och funktioner förändras snabbt. Använd videon för beslutsmönstret och kontrollera sedan den aktuella modellens beteende innan du inför lösningen.
Vad du bör få ut av detta
Placera finjustering i den bredare träningsprocessen och avgör när den är bättre än promptning eller RAG.
Titta på eller ha koll på först
Allmän förståelse för maskininlärning. Det är en konceptuell genomgång, så ingen miljö för att följa med i kodningen behövs.
Senast granskad: 18 maj 2026
Se nästa
Fortsätt längs samma lärstig med nästa kurerade kompletterande video.
15 minuter
190 minuterKomplett nybörjarkurs i LangGraph – komplexa AI-agenter med Python
Du kan bygga en LangGraph-agent med typat tillstånd, villkorsstyrd dirigering, kontrollpunkter och verktygsanvändning samt förstå när den explicita modellen lönar sig.
AvanceradAutomatisering
8 minuterKontextförfall: så påverkar fler token i indata en LLM:s prestanda
Förstå hur lång kontext kan fallera vid tvetydighet och distraherande information och utforma sedan tester kring den risken.
AvanceradPromptteknik