Von ChatGPT bis Gemini - LLM-Integration in Python
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 2 Tage
Ziele
In dieser 2-tägigen Schulung "Von ChatGPT bis Gemini - LLM-Integration in Python" erwerben Sie praxisorientiertes Wissen über Large Language Models (LLMs) und deren Integration in Python. Sie erhalten eine fundierte Einführung in die Funktionsweise von LLMs und deren Anwendung im Natural Language Processing (NLP). Weiterhin lernen Sie, LLMs in Python einzubinden, sowohl über verfügbare APIs als auch durch die Nutzung kommerzieller und freier Alternativen. Durch praxisnahe Workshops und Fallstudienbeispiele in Python vertiefen Sie Ihr Verständnis und erlernen konkrete Anwendungen, wie die Analyse und Klassifizierung unstrukturierter Texte sowie die automatische Beantwortung von Anfragen. Zudem werden Datenschutzaspekte bei der Anbindung von LLMs behandelt, um eine sichere und datenschutzkonforme Nutzung zu gewährleisten.
Zielgruppe
- Softwareentwickler und Data Scientists
- IT-Profis und Technologie-Enthusiasten
- Datenanalysten und Linguisten
- Jeder, der an der Zukunft der Sprachtechnologie interessiert ist
Voraussetzungen
- Programmierkenntnisse in einer beliebigen Programmiersprache.
- Vorkenntnisse in Python sind nicht zwingend nötig.
Agenda
Einführung in LLMs - LLMs verstehen
- Wie funktionierten LLMs unter der Haube?
- Einführung in das Natural Language Processing (NLP)
- Grundlegende Bausteine eines LLMs: Transformer-Netze, GPT
- Historische Entwicklung des NLP-Bereichs
Anbindung von LLMs in Python
- Übersicht über verfügbare LLM APIs (Programmierschnittstellen)
- Kommerzielle LLM Systeme wie ChatGPT und Gemini aus Python heraus nutzen
- Freie LLM Alternativen aus Python heraus nutzen
Hands-On-Workshop / Fallstudienbeispiele (in Python)
- Unstrukturierte Texte mit LLMs analysieren
- Fallstudie 1: Problem- und Lösungsbeschreibung in Texten von Außendienstmitarbeitern erkennen (segmentieren)
- Texte mit LLMs klassifizieren
- Fallstudie 2: Kundennachrichten klassifizieren (Was will der Kunde von mir?)
- Anfragen automatisch beantworten
- Fallstudie 3: Automatische Generierung von Antworten auf Produktinformationsanfragen
LLMs und Datenschutz
- Datenschutzaspekte bei der Anbindung von LLMs
Ziele
In dieser 2-tägigen Schulung "Von ChatGPT bis Gemini - LLM-Integration in Python" erwerben Sie praxisorientiertes Wissen über Large Language Models (LLMs) und deren Integration in Python. Sie erhalten eine fundierte Einführung in die Funktionsweise von LLMs und deren Anwendung im Natural Language Processing (NLP). Weiterhin lernen Sie, LLMs in Python einzubinden, sowohl über verfügbare APIs als auch durch die Nutzung kommerzieller und freier Alternativen. Durch praxisnahe Workshops und Fallstudienbeispiele in Python vertiefen Sie Ihr Verständnis und erlernen konkrete Anwendungen, wie die Analyse und Klassifizierung unstrukturierter Texte sowie die automatische Beantwortung von Anfragen. Zudem werden Datenschutzaspekte bei der Anbindung von LLMs behandelt, um eine sichere und datenschutzkonforme Nutzung zu gewährleisten.
Zielgruppe
- Softwareentwickler und Data Scientists
- IT-Profis und Technologie-Enthusiasten
- Datenanalysten und Linguisten
- Jeder, der an der Zukunft der Sprachtechnologie interessiert ist
Voraussetzungen
- Programmierkenntnisse in einer beliebigen Programmiersprache.
- Vorkenntnisse in Python sind nicht zwingend nötig.
Agenda
Einführung in LLMs - LLMs verstehen
- Wie funktionierten LLMs unter der Haube?
- Einführung in das Natural Language Processing (NLP)
- Grundlegende Bausteine eines LLMs: Transformer-Netze, GPT
- Historische Entwicklung des NLP-Bereichs
Anbindung von LLMs in Python
- Übersicht über verfügbare LLM APIs (Programmierschnittstellen)
- Kommerzielle LLM Systeme wie ChatGPT und Gemini aus Python heraus nutzen
- Freie LLM Alternativen aus Python heraus nutzen
Hands-On-Workshop / Fallstudienbeispiele (in Python)
- Unstrukturierte Texte mit LLMs analysieren
- Fallstudie 1: Problem- und Lösungsbeschreibung in Texten von Außendienstmitarbeitern erkennen (segmentieren)
- Texte mit LLMs klassifizieren
- Fallstudie 2: Kundennachrichten klassifizieren (Was will der Kunde von mir?)
- Anfragen automatisch beantworten
- Fallstudie 3: Automatische Generierung von Antworten auf Produktinformationsanfragen
LLMs und Datenschutz
- Datenschutzaspekte bei der Anbindung von LLMs
