Wzorce projektowe w generatywnej AI. Sprawdzone rozwiązania przy budowie agentów i aplikacji GenAICzego się nauczysz?Kontrolowania stylu i formatu odpowiedzi LLM za pomocą maskowania logitów i reguł gramatycznychPrzenoszenia stylu między tekstami oraz neutralizowania i odwracania tonu wypowiedziOptymalizowania treści generowanej przez modele pod kątem jakości i spójnościProjektowania i wdrażania podstawowego RAG do uzupełniania wiedzy modeli bazowychBudowania indeksów semantycznych oraz skalowania indeksowania dla dużych zbiorów danychUlepszania retrievalu dzięki podejściu świadomemu indeksu i postprocessingu węzłówZwiększania wiarygodności generacji poprzez cytowanie źródeł i strategie ograniczania halucynacjiStosowania głębokiego wyszukiwania (Deep Search) do trudnych zapytań i wieloetapowego odzyskiwania kontekstuWzmacniania wnioskowania modelu technikami Chain of Thought i Tree of ThoughtsRozszerzania możliwości modeli przez strojenie adapterów i podejście Evol-InstructPodnoszenia niezawodności odpowiedzi dzięki LLM-as-Judge oraz mechanizmom refleksji i autokorektyUporządkowania architektury aplikacji GenAI przez wstrzykiwanie zależności i optymalizację promptówWyposażania agentów w działanie przez wywoływanie narzędzi, wykonywanie kodu i współpracę wieloagentowąOptymalizowania kosztów i opóźnień przez małe modele językowe, buforowanie promptów i optymalizację inferencjiTestowania zachowania systemu pod obciążeniem i w degradacji oraz wdrażania pamięci długoterminowejImplementowania zabezpieczeń z użyciem szablonów, przebudowy danych, samosprawdzenia i guardrailsGeneratywna sztuczna inteligencja rewolucjonizuje pracę nad tworzeniem aplikacji. Modele bazowe takie jak GPT, Claude, Gemini czy Llama umożliwiają szybkie budowanie demonstracji, lecz rzeczywiste wdrożenia mierzą się z halucynacjami, niespójnymi odpowiedziami, lukami w wiedzy i problemami z niezawodnością. Książka przedstawia 32 wzorce projektowe wypracowane przez praktyków wdrażających systemy GenAI na dużą skalę. To nie teoria, lecz konkretne recepty na powtarzalne problemy, z którymi zmaga się każdy inżynier AI budujący aplikacje gotowe do produkcji.Autorzy prowadzą czytelnika przez cały proces inżynierii AI od kontrolowania stylu i formatu treści, przez integrację wiedzy zewnętrznej z zaawansowanym RAG, wzmacnianie zdolności wnioskowania, budowę niezawodnych systemów, tworzenie agentów zdolnych do działania, aż po optymalizację wdrożeń i implementację zabezpieczeń. Każdy wzorzec jest opisany według jednolitego schematu: problem, sprawdzone rozwiązanie, kompletny przykład kodu, omówienie alternatyw i kompromisów implementacyjnych. Książka łączy osiągnięcia najnowszych badań z praktycznym doświadczeniem ekspertów i dostarcza gotowe wskazówki dla osób tworzących aplikacje oparte na modelach bazowych.W książce:RAG i zarządzanie wiedząWzorce agentoweOptymalizacja i skalowanieZwiększanie niezawodnościZarządzanie stylemZabezpieczeniaRozszerzanie możliwościOd prototypu do produkcji 32 sprawdzone wzorce dla aplikacji GenAI
Rozwiązania typowych problemów dotyczących przygotowania danych, konstruowania modeli i MLOps
Wzorce projektowe opisane w tej książce obejmują najlepsze praktyki i rozwiązania powtarzalnych problemów w uczeniu maszynowym. Autorzy, troje inżynierów z firmy Google, skatalogowali sprawdzone metody, aby pomóc badaczom danych sprostać typowym problemom występującym w całym procesie uczenia maszynowego. Te wzorce projektowe kodyfikują doświadczenie setek ekspertów w prostych, przystępnych radach.
W tej książce znajdziesz szczegółowe wyjaśnienia 30 wzorców reprezentacji danych i problemów, operacjonalizacji, powtarzalności, odtwarzalności, elastyczności, objaśnialności i bezstronności. Każdy wzorzec obejmuje opis problemu, różnorodne potencjalne rozwiązania oraz rekomendacje dotyczące wyboru najlepszej techniki w danej sytuacji.
Nauczysz się:
• Rozpoznawać i minimalizować typowe problemy występujące podczas uczenia, oceniania oraz wdrażania modeli uczenia maszynowego
• Przedstawiać dane dla różnych typów modeli uczenia maszynowego, w postaci reprezentacji wektorowych, krzyżowania cech i nie tylko
• Wybierać prawidłowy typ modelu dla konkretnych problemów
• Konstruować wydajną pętlę uczenia z zastosowaniem punktów kontrolnych, strategii rozkładu i strojenia hiperparametrów
• Wdrażać skalowalne systemy uczenia maszynowego, które można uczyć ponownie i aktualizować, aby odzwierciedlać nowe dane
• Interpretować predykcje modeli dla interesariuszy i zapewniać, że modele traktują użytkowników bezstronnie
• Zwiększać dokładność, odtwarzalność i elastyczność
„Dzięki wspaniałym, różnorodnym przykładom ta książka jest obowiązkową lekturą dla badaczy danych i inżynierów uczenia maszynowego dążących do zrozumienia sprawdzonych rozwiązań złożonych problemów uczenia maszynowego.”
—David Kanter
Dyrektor wykonawczy, ML Commons
„Jeśli chcesz oszczędzić sobie siniaków na drodze do konstruowania rozwiązań uczenia maszynowego, Lak, Sara i Michael to osoby, na które możesz liczyć.”
—Will Grannis
Dyrektor zarządzający,
Cloud CTO Office, Google
Valliappa (Lak) Lakshmanan jest globalnym kierownikiem działu analizy danych i rozwiązań sztucznej inteligencji w Google Cloud.
Sara Robinson jest rzeczniczką deweloperów w zespole Google Cloud, skupiającą się na uczeniu maszynowym.
Michael Munn jest inżynierem rozwiązań uczenia maszynowego w Google, gdzie pomaga klientom projektować, implementować i wdrażać modele uczenia maszynowego.
Ten produkt jest zapowiedzią. Realizacja Twojego zamówienia ulegnie przez to wydłużeniu do czasu premiery tej pozycji. Czy chcesz dodać ten produkt do koszyka?
