AI Tutorials

Explore a função essencial da rotulagem de dados na IA, incluindo sua definição, necessidade, técnicas, desafios e práticas recomendadas.

Aprenda os fundamentos da aprendizagem por reforço por meio da analogia de um gato aprendendo a usar um poste de arranhar.

Dê os primeiros passos para você dominar o machine learning em banco de dados usando o Snowflake Snowpark.

O prompting de poucos disparos é uma técnica na qual um modelo de IA recebe alguns exemplos de uma tarefa para aprender antes de gerar uma resposta, usando esses exemplos para melhorar seu desempenho em tarefas semelhantes.

O prompting de disparo zero é uma técnica na qual um modelo de IA recebe uma tarefa ou pergunta sem nenhum exemplo prévio ou treinamento específico sobre essa tarefa, contando apenas com seu conhecimento preexistente para gerar uma resposta.

Este artigo apresenta um guia prático para a implementação do TNT-LLM, uma estrutura que automatiza a geração de taxonomia e a classificação de textos usando LLMs, demonstrada por meio de um exemplo de agrupamento de artigos de notícias com GPT-4 e LangGraph.

Aprenda a converter modelos técnicos em interfaces de usuário interativas com o Gradio em Python.

Aprenda as diferenças entre as técnicas RAG e Fine-Tuning para personalizar o desempenho do modelo e reduzir as alucinações nos LLMs.

Qwen é uma família de modelos multimodais e de linguagem ampla desenvolvida pela Alibaba Cloud, projetada para várias tarefas, como geração de texto, compreensão de imagens e conversação.

Este artigo compara o desempenho de modelos de linguagem grandes tradicionais e sem MatMul em termos de velocidade e uso de memória.

Desbloqueie todo o potencial dos LLMs (Large Language Models) com o nosso guia sobre o prompting CoT (Chain-of-Thought). Saiba como aprimorar as habilidades de raciocínio e resolução de problemas dos LLMs.

O encadeamento de prompts é uma técnica que envolve a divisão de uma tarefa complexa em uma série de prompts menores e interconectados, em que o resultado de um prompt serve como entrada para o próximo, orientando o LLM por meio de um processo de raciocínio estruturado.