Σύντομη περιγραφή προγράμματος
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.
Τρόπος διεξαγωγής
Εκπόνηση εργασιών σε θεματικές ενότητες. Ο τελικός βαθμός προκύπτει από τον μέσο όρο των εργασιών.
Μαθησιακά αποτελέσματα
ΘΕ1 – Βασικές Αρχές και Αρχιτεκτονική Μεγάλων Γλωσσικών ΜοντέλωνΜΑ1.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να κατανοούν τη λειτουργία, τα στάδια ανάπτυξης και τους περιορισμούς των LLMs και να επιλέγουν κατάλληλα μοντέλα ανάλογα με το εκάστοτε πρόβλημα.ΜΑ1.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να αναγνωρίζουν ζητήματα αξιοπιστίας, μεροληψίας και παραισθήσεων και να τα λαμβάνουν υπόψιν στον σχεδιασμό εφαρμογών.ΘΕ2 – Προχωρημένο Prompt Engineering & ReasoningΜΑ2.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να σχεδιάζουν και να αξιολογούν προηγμένα prompts χρησιμοποιώντας τεχνικές chain-of-thought και test-time inference.ΜΑ2.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να ελέγχουν και να βελτιώνουν τη συμπεριφορά των LLMs σε σύνθετα tasks ανάλυσης και λήψης αποφάσεων.ΘΕ3 – Fine-tuning, Reinforcement Learning και Parameter-Efficient AdaptationΜΑ3.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να εφαρμόζουν τεχνικές fine-tuning, reinforcement learning (π.χ. DPO, GRPO) και parameter-efficient tuning (π.χ. LoRA, adapters) για την προσαρμογή LLMs σε συγκεκριμένα domains.ΜΑ3.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να σχεδιάζουν και να αξιολογούν datasets για εκπαίδευση μοντέλων, αποφεύγοντας υπερπροσαρμογή και απώλεια γενίκευσης.ΘΕ4 – Retrieval-Augmented Generation (RAG) Systems και LLM-based agentsΜΑ4.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να σχεδιάζουν και να υλοποιούν ολοκληρωμένα RAG συστήματα, καθώς και συστήματα LLM-agents.ΜΑ4.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να αξιολογούν και να βελτιστοποιούν την απόδοση RAG pipelines και LLM-based agents ως προς την ακρίβεια των απαντήσεων και γενικότερα της συμπεριφοράς τους.ΘΕ5 – Βελτιστοποίηση, Deployment και Παραγωγική Χρήση LLMsΜΑ5.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να εφαρμόζουν τεχνικές βελτιστοποίησης όπως quantization και inference optimization για αποδοτική παραγωγική χρήση LLMs.ΜΑ5.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να αναπτύσσουν και να ενσωματώνουν end-to-end LLM εφαρμογές σε πραγματικά επαγγελματικά περιβάλλοντα.
Θεματικές ενότητες
- Βασικές Αρχές και Αρχιτεκτονική Μεγάλων Γλωσσικών Μοντέλων
- Βασικές αρχές και αρχιτεκτονική Transformers, sub-word tokenization, στάδια εκπαίδευσης LLMs (pre-training, instruction tuning, reinforcement learning from human/AI feedback)
- Οικογένειες μοντέλων, μοντέλα με ανοιχτά ή κλειστά βάρη, σε τοπικά ή online περιβάλλοντα
- Περιορισμοί, biases, hallucinations, controllability
(4 ώρες) - Προχωρημένο Prompt Engineering & Reasoning
- Advanced prompting patterns
- Chain-of-thought, self-consistency, self-refinement, test-time inference
- Prompt evaluation & robustness
(4 ώρες) - Fine-tuning, Reinforcement Learning και Parameter-Efficient Adaptation
- Fine-tuning vs. prompting
- LoRA, adapters
- Reinforcement Learning from Human/AI Feedback (π.χ. DPO, GRPO)
- Dataset design & evaluation
- Overfitting, generalization, safety
(8 ώρες) - Retrieval-Augmented Generation (RAG) Systems και LLM-based Agents
- Embeddings & vector databases
- Chunking, indexing, reranking
- End-to-end RAG pipelines
- Tool-based reasoning, ReACT, LangChain, LangGraph
- Evaluation, error analysis, optimization
(8 ώρες) - Βελτιστοποίηση, Deployment και Παραγωγική Χρήση LLMs
- Quantization, distillation, inference optimization
- Cost/latency trade-offs
- Mini-project: end-to-end LLM application
(6 ώρες)
Οι θεματικές ενότητες είναι διαδοχικά συνδεδεμένες: από την κατανόηση της αρχιτεκτονικής των LLMs (ΘΕ1), ο εκπαιδευόμενος προχωρά σε προηγμένες τεχνικές ελέγχου συμπεριφοράς μέσω prompting (ΘΕ2), προσαρμογής μοντέλων (ΘΕ3), σχεδιασμού συστημάτων RAG/Agents (ΘΕ4) και τελικά στη βελτιστοποίηση και παραγωγική αξιοποίησή τους (ΘΕ5). Η πορεία οδηγεί από τη θεωρητική κατανόηση στην υλοποίηση πλήρων εφαρμογών.
Εκπαιδευτικό υλικό
Το εκπαιδευτικό υλικό περιλαμβάνει ζωντανή διδασκαλία με τη χρήση παρουσιάσεων (ηλεκτρονικές διαφάνειες) και επίδειξη λογισμικού, ηλεκτρονικές σημειώσεις, δεδομένα για την εκπόνηση των εργασιών, λογισμικό και ασκήσεις.
Η αξία του προγράμματος
Με την επιτυχή ολοκλήρωση του προγράμματος, οι εκπαιδευόμενοι θα έχουν αποκτήσει εξειδικευμένες δεξιότητες στον σχεδιασμό, την ανάπτυξη, προσαρμογή και βελτιστοποίηση LLM συστημάτων, επαρκείς για άμεση αξιοποίηση σε παραγωγικά περιβάλλοντα, έρευνα και σύγχρονες εφαρμογές Τεχνητής Νοημοσύνης.
Εβδομαδιαίο πρόγραμμα
Δευτέρα και Παρασκευή 5-7μμ