Επεξεργασία Φυσικής Γλώσσας με Μεγάλα Γλωσσικά Μοντέλα

Το πρόγραμμα εστιάζει σε προχωρημένες τεχνικές σχεδιασμού, προσαρμογής και βελτιστοποίησης Μεγάλων Γλωσσικών Μοντέλων (LLMs) και απευθύνεται σε αποφοίτους Πληροφορικής που επιθυμούν να αναπτύσσουν σύγχρονες, αξιόπιστες και αποδοτικές εφαρμογές Τεχνητής Νοημοσύνης. Καλύπτονται εξειδικευμένες μέθοδοι prompt engineering (advanced prompting patterns, chain-of-thought, self-refinement, test-time inference κ.λπ.), καθώς και τεχνικές parameter-efficient fine-tuning όπως LoRA και adapters.

Ιδιαίτερη έμφαση δίνεται σε Retrieval-Augmented Generation (RAG), με σχεδιασμό πλήρων pipelines που περιλαμβάνουν embedding models, vector databases, στρατηγικές chunking και reranking, καθώς και μεθόδους αξιολόγησης ποιότητας και ακρίβειας. Καλύπτονται επίσης θέματα ανάπτυξης LLM-based Agents (π.χ. tool-based reasoning, ReACT, LangChain, LangGraph). Παρουσιάζονται επίσης τεχνικές βελτιστοποίησης μοντέλων για παραγωγική χρήση, όπως quantization, distillation και inference optimization, με στόχο τη μείωση κόστους, χρόνου απόκρισης και ενεργειακών απαιτήσεων.

Μέσα από εκτενή εργαστηριακά παραδείγματα, οι συμμετέχοντες υλοποιούν end-to-end LLM εφαρμογές για πραγματικά σενάρια εργασίας, όπως έξυπνη αναζήτηση και ανάλυση εγγράφων, αυτοματοποίηση τεχνικής υποστήριξης, αυτόματη χρήση προγραμματιστικών εργαλείων από LLMs (“tool calling”), ανάπτυξη LLM agents, ανάλυση δεδομένων και υποστήριξη λήψης αποφάσεων.

Με την ολοκλήρωση του προγράμματος, οι εκπαιδευόμενοι θα είναι σε θέση να σχεδιάζουν, να προσαρμόζουν και να ενσωματώνουν LLM συστήματα σε παραγωγικά περιβάλλοντα με τεχνική επάρκεια και επαγγελματικό προσανατολισμό.