搜尋結果
2024年2月1日 · 首頁 » Blog » AI 人工智慧. Stable Diffusion 是什麼？ 開源繪圖生成式AI 安裝教學. 發佈日期: 2024 年 2 月 1 日 作者: ALPHA Camp. 什麼是Stable Diffusion？ Stable Diffusion是一種由Stability AI及其合作夥伴開發的開源圖像生成模型。 它使用深度學習技術，特別是變分自編碼器（VAE）和變換器（Transformers），來生成詳細的圖像。 用戶可以通過自然語言描述（例如文字提示），指導模型生成具體的圖像內容。 立即下載. 快速掌握 LLM 應用全局觀. Stable Diffusion 是一款強大的開源AI圖像生成工具，它允許使用者根據文字提示來創造高質量的圖像。
2024年3月7日 · 一、資料清理. 二、如何切割文本. 三、如何搜尋. 四、LLM 生成品質. 快速掌握 LLM 應用全局觀. 有了「長上下文 LLM」（Long-Context LLM），還需要 RAG 嗎？ RAG（Retrieval-Augmented Generation，檢索增強生成）無疑是當今開發大型語言模型（LLM）產品時，不可或缺的技術。 由於可以確保 LLM 生成的真實性，在企業 AI 應用與搜尋場景相當受到重視。 為此，我也試著實作一個簡單的 RAG 應用。 多年累積下來，我的 Apple Notes 已經有 7000 多則筆記，搜尋愈來愈不準確，常在寫新筆記時想參考舊筆記，卻怎麼也找不到。
2024年3月22日 · RAG比我原本想的還有趣. 次世代LLM應用——打造虛擬團隊. 「軟體工程」仍是打造生產級LLM應用的關鍵. 本文作者是賴冠州（Edison Lai），曾任職於國內大型媒體的資深數據工程師。 這篇文章是他記錄自己今年三月參加 ALPHA Camp 與 ihower 共同推出的「 Generative AI Engineer：LLM 應用開發工作坊 」完課心得與收穫，我們獲得授權刊登， 原文刊登在他的 Medium。 自從ChatGPT在2022年底問世以來，以LLMs為中心的應用服務已掀起一股革命。
2024年2月26日 · 首頁 Blog. AI 人工智慧 / 其他. 為什麼要用 RAG？ 不用微調模型就能低成本讓 LLM 理解專業知識的 AI 技術. 發佈日期: 2024 年 2 月 26 日 作者: Matt Yu. 內容目錄. 什麼是 RAG？ 跟模型微調有什麼差別？ 快速掌握 LLM 應用全局觀. 何時要使用 RAG？ 何時要使用模型微調？ RAG 發展趨勢：科技巨頭爭相投入，相關產品遍地開花. 在使用 ChatGPT、Gemini 等奠基於大型語言模型（Large Language Models，以下簡稱 LLMs）的人工智慧服務時，很常會遇到一個問題就是：請它們提供與特定專業領域相關的資訊，往往只能獲得極為空泛、甚至是充滿幻覺（hallucination）的回覆。
2024年2月1日 · Transformer的工作原理. Transformer在自然語言處理中的應用. 對AI發展的影響. 在人工智慧領域，Transformer模型自2017年由Google的研究者介紹以來，已成為最具影響力的創新之一。 它不僅改變了自然語言處理（NLP）的面貌，還對整個AI技術的發展產生了重大影響。 本文將深入探討Transformer的基本原理、結構特點以及它如何推動AI技術的突破。 Transformer模型概述. Transformer模型是基於自注意力機制（self-attention mechanism）的一種架構，它能夠在處理序列數據時，同時考慮序列中的所有元素，這種全局視角使得Transformer在多個領域特別有效。
2023年11月8日 · LangChain的應用場景. 為什麼AI開發者需要LangChain？ LangChain的基本架構. LangChain 如何運作. LangChin 開發範例：創建一個AI問答系統. 免費點我下載數據技能路線指南. 什麼是LangChain？ LangChain 是一個旨在為開發者提供一套工具和接口，以便更容易、更有效地利用大型語言模型（LLM）的開源框架，專注於情境感知和推理。 它包含多個組件，如Python和JavaScript的函式庫、快速部署的模板、用於開發REST API的 LangServe ，以及用於除錯和監控的LangSmith。 LangChain簡化了開發、生產和部署過程，提供與語言模型互動、執行檢索策略和輔助建立複雜應用架構的工具。 LangChain的特點.
2023年6月4日 · 1. 設計、開發和實施生成式AI模型. 設計階段： 確定最佳算法來實現預期結果，要求對各種生成式AI算法及其優缺點有深入理解。 開發階段： 包括用現有數據訓練模型並進行微調以提升性能。 實施階段： 將AI模型整合到現有系統中或圍繞模型設計新系統，需要強大的軟件開發理解能力。 2. 調整現有生成式AI模型. 調整和精煉預先存在的模型以增強性能、適應新數據或滿足特定項目需求。 分析模型行為，識別表現不佳或產生意外結果的領域。 可能涉及調整超參數、修改模型架構或豐富訓練數據集。 3.
