آموزش ساخت مدل‌های زبانی بزرگ (LLM) امن و قابل اعتماد با استفاده از NVIDIA Guardrails - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• فایل‌های تمرینی و آماده‌سازی محیط Exercise files and setting up your environment

• بهره‌گیری از گاردریل‌ها برای ساخت LLMهای امن Leverage guardrails to build secure LLMs

• پیش‌نیازهای مورد نیاز What you should know

1. مبانی گاردریل‌ها برای مدل‌های زبانی 1. Foundations of Guardrails for Language Models

• درک نقش امبدینگ‌ها در ایمن‌سازی LLMها Understanding the role of embeddings in safeguarding LLMs

• پشت صحنه: گاردریل‌ها چگونه ایمنی LLM را اجرا می‌کنند Behind the scenes: How Guardrails enforces LLM safety

• آشنایی با گاردریل‌ها برای مدل‌های زبانی بزرگ Introduction to guardrails for LLMs

2. طراحی گاردریل‌های گفتگو 2. Crafting Conversational Guardrails

• تعریف مرزهای گفتگو Defining conversational boundaries

• جریان‌های پیشرفته در Colang Advanced Colang flows

• گاردریل‌ها در عمل Guardrails in action

3. یکپارچه‌سازی اکشن‌های سفارشی 3. Integrating Custom Actions

• ساخت یک اکشن سفارشی برای پرس‌وجو Building a custom inquiry action

• بهبود LLMها با استفاده از اکشن‌های سفارشی Enhancing LLMs with custom actions

4. تولید تقویت‌شده با بازیابی (RAG) به همراه گاردریل‌ها 4. Retrieval Augmented Generation (RAG) with Guardrails

• تولید تقویت‌شده با بازیابی (RAG) با استفاده از اکشن‌ها Retrieval-augmented generation (RAG) with actions

• عیب‌یابی و بهینه‌سازی گاردریل‌ها Debugging and optimizing Guardrails

• ایمن‌سازی LLMها در برابر موضوعات حساس Securing LLMs against sensitive topics

5. کاربردهای واقعی و بهترین روش‌ها 5. Real-World Applications and Best Practices

• بهترین روش‌ها برای پیاده‌سازی گاردریل‌ها Best practices for implementing guardrails

• مطالعات موردی: گاردریل‌ها در دنیای واقعی Case studies: Guardrails in action

• آینده گاردریل‌ها و ایمنی LLM Future of guardrails and LLM safety

جمع‌بندی Conclusion

• گام‌های بعدی در ساخت برنامه‌های LLM Next steps in building LLM applications