تکنیک های زمینه سازی برای LLM

مقدمه Introduction

• راه اندازی محیط LLM خود Setting up your LLM environment

• درک تکنیک های زمینی برای LLM Understanding grounding techniques for LLMs

1. توهمات پایه LLM 1. Basic LLM Hallucinations

• چالش: پیدا کردن یک توهم Challenge: Finding a hallucination

• توهم چیست؟ What is a hallucination?

• مقایسه توهمات در LLMها Comparing hallucinations across LLMs

• راه حل: یافتن توهم Solution: Finding a hallucination

• نمونه های توهم Hallucination examples

• خطرات توهم Dangers of hallucinations

2. انواع توهم 2. Types of Hallucinations

• استخراج اطلاعات ناقص Incomplete information extraction

• امتناع از پاسخگویی Declining to respond

• نقل قول های بد Bad citations

• تکنیک ها و تنظیمات نمونه گیری LLM LLM sampling techniques and adjustments

• آموزش LLM ها بر روی داده های حساس به زمان Training LLMs on time-sensitive data

• پاسخ های مبهم Ambiguous responses

• ساختار خروجی نادرست Incorrect output structure

• داده های آموزشی ضعیف است Poorly curated training data

• توهمات تنظیم دقیق Fine-tuning hallucinations

• وفاداری و زمینه Faithfulness and context

3. کاهش توهم 3. Mitigating Hallucinations

• یادگیری چند شات Few-shot learning

• نسل افزایش یافته بازیابی Retrieval-augmented generation

• تنظیم دقیق مدل برای کاهش توهم Model fine-tuning for mitigating hallucinations

• به روز رسانی نسخه های مدل LLM Updating LLM model versions

• چالش: خودکار کردن بررسی های تجارت الکترونیک با LLM Challenge: Automating ecommerce reviews with LLMs

• استدلال زنجیره ای فکری Chain of thought reasoning

• قالب های ساختاریافته Structured templates

• هماهنگ کردن گردش کار از طریق مسیریابی مدل Orchestrating workflows through model routing

• راه حل: خودکار کردن بررسی های تجارت الکترونیک با LLM Solution: Automating ecommerce reviews with LLMs

4. تشخیص توهم 4. Detecting Hallucinations

• آزمایش کاربر LLM در دنیای واقعی Real-world LLM user testing

• بهینه سازی دستورات با DSPY Optimizing prompts with DSPY

• چالش: یک عامل چیزهای بی اهمیت هوش مصنوعی Challenge: A more well-rounded AI trivia agent

• راه حل: یک عامل چیزهای بی اهمیت هوش مصنوعی کامل تر Solution: A more well-rounded AI trivia agent

• ایجاد خطوط لوله ارزیابی LLM Creating LLM evaluation pipelines

• سیستم های انسان در حلقه Human-in-the-loop systems

• مدل های تخصصی تشخیص توهم Specialized models for hallucination detection

• خطوط لوله خود ارزیابی LLM LLM self-assessment pipelines

• ساخت مجموعه داده ارزیابی Building an evaluation dataset

• بهینه سازی تشخیص توهم با DSPY Optimizing hallucination detections with DSPY

5. بررسی مقاله توهم 5. Hallucination Paper Review

• راگاس: مقاله ارزشیابی Ragas: Evaluation paper

• توهمات در مدل های بزرگ ترجمه چند زبانه Hallucinations in large multilingual translation models

• تنظیم دقیق زمانی ساعت: LLM را تنظیم کنید Set the Clock: LLM temporal fine-tuning

• بررسی مقالات توهم Review of hallucination papers

• آیا LLM ها چیزهایی را می دانند که نمی دانند؟ Do LLMs know what they don’t know?

نتیجه گیری Conclusion

• تمرین خود را در زمینه تکنیک های زمینی برای LLM ادامه دهید Continue your practice of grounding techniques for LLMs