MARC

 008260202s2024        xx            o                  0  eng  d
■001EBC31302746
■003MiAaPQ
■00520260202073946.0
■006m          o    d  |            
■007cr  cnu||||||||
■020    ▼a9781835080160▼q(electronic  bk.)
■020    ▼z9781835084786
■035    ▼a(MiAaPQ)EBC31302746
■035    ▼a(Au-PeEL)EBL31302746
■035    ▼a(OCoLC)1432179225
■040    ▼aMiAaPQ▼beng▼erda▼epn▼cMiAaPQ▼dMiAaPQ
■0820  ▼a006.3
■1001  ▼aSingh,  Paul.
■24510▼aGenerative  AI  for  Cloud  Solutions  ▼bArchitect  Modern  AI  LLMs  in  Secure,  Scalable,  and  Ethical  Cloud  Environments
■250    ▼a1st  ed.
■264  1▼aBirmingham▼bPackt  Publishing,  Limited▼c2024.
■264  4▼c?024.
■300    ▼a1  online  resource  (301  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■5050  ▼aCover  --  Title  page  --  Copyright  and  credits  --  Dedication  --  Foreword  --  Contributors  --  Table  of  Contents  --  Preface  --  Part  1:  Integrating  Cloud  Power  with  Language  Breakthroughs  --  Chapter  1:  Cloud  Computing  Meets  Generative  AI:  Bridging    Infinite  Impossibilities  --  Evolution  of  conversation  AI  --  What  is  conversational  AI?  --  Evolution  of  conversational  AI  --  Introduction  to  generative  AI  --  The  rise  of  generative  AI  in  2022-23  --  Foundation  models  --  LLMs  --  Core  attributes  of  LLMs  --  Relationship  between  generative  AI,  foundation  models,    and  LLMs  --  Deep  dive  -  open  source  vs  closed  source/proprietary  models  --  Trending  models,  tasks,  and  business  applications  --  Text  --  Image  --  Audio  --  Video  --  Cloud  computing  for  scalability,  cost  optimization,  and  security  --  From  vision  to  value  -  navigating  the  journey    to  production  --  Summary  --  References  --  Chapter  2:  NLP  Evolution  and  Transformers:  Exploring  NLPs  and  LLMs  --  NLP  evolution  and  the  rise  of  transformers  --  The  main  drawbacks  of  RNNs  and  CNNs  --  NLP  and  the  strengths  of  generative  AI  in  LLMs  --  How  do  transformers  work?  --  Benefits  of  transformers  --  Conversation  prompts  and  completions  -  under  the  covers  --  Prompt  and  completion  flow  simplified  --  LLMs  landscape,  progression,  and  expansion  --  Exploring  the  landscape  of  transformer  architectures  --  AutoGen  --  Summary  --  References  --  Part  2:    Techniques  for  Tailoring  LLMs  --  Chapter  3:  Fine-Tuning  -  Building  Domain-Specific  LLM  Applications  --  What  is  fine-tuning  and  why  does  it  matter?  --  Fine-tuning  applications  --  Examining  pre-training  and  fine-tuning  processes  --  Pre-training  process  --  Fine-tuning  process  --  Techniques  for  fine-tuning  models  --  Full  fine-tuning  --  PEFT  --  RLHF  -  aligning  models  with  human  values  --  How  to  evaluate  fine-tuned  model  performance  --  Evaluation  metrics  --  Benchmarks.
■5058  ▼aReal-life  examples  of  fine-tuning  success  --  InstructGPT  --  Summary  --  References  --  Chapter  4:  RAGs  to  Riches:  Elevating  AI  with  External  Data  --  A  deep  dive  into  vector  DB  essentials  --  Vectors  and  vector  embeddings  --  Vector  search  strategies  --  When  to  Use  HNSW  vs.  FAISS  --  Recommendation  System  for  Articles  --  Vector  stores  --  What  is  a  vector  database?  --  Vector  DB  limitations  --  Vector  libraries  --  Vector  DBs  vs.  traditional  databases  -  Understanding  the  key  differences  --  Vector  DB  sample  scenario  -  Music  recommendation  system  using  a  vector  database  --  Common  vector  DB  applications  --  The  role  of  vector  DBs  in  retrieval-augmented    generation  (RAG)  --  First,  the  big  question  -  Why?  --  So,  what  is  RAG,  and  how  does  it  help  LLMs?  --  The  critical  role  of  vector  DBs  --  Business  applications  of  RAG  --  Chunking  strategies  --  What  is  chunking?  --  But  why  is  it  needed?  --  Popular  chunking  strategies  --  Chunking  considerations  --  Evaluation  of  RAG  using  Azure  Prompt  Flow  --  Case  study  -  Global  chat  application  deployment  by  a  multinational  organization  --  Summary  --  References  --  Chapter  5:  Effective  Prompt  Engineering  Techniques:  Unlocking  Wisdom  Through  AI  --  The  essentials  of  prompt  engineering  --  ChatGPT  prompts  and  completions  --  Tokens  --  What  is  prompt  engineering?  --  Elements  of  a  good  prompt  design  --  Prompt  parameters  --  ChatGPT  roles  --  Techniques  for  effective  prompt  engineering  --  N-shot  prompting  --  Chain-of-thought  (CoT)  prompting  --  Program-aided  language  (PAL)  models  --  Prompt  engineering  best  practices  --  Bonus  tips  and  tricks  --  Ethical  guidelines  for  prompt  engineering  --  Summary  --  References  --  Part  3:    Developing,  Operationalizing,  and  Scaling  Generative    AI  Applications  --  Chapter  6:  Developing  and  Operationalizing  LLM-based  Apps:  Exploring  Dev  Frameworks  and  LLMOps  --  Copilots  and  agents.
■5058  ▼aGenerative  AI  application  development  frameworks  --  Semantic  Kernel  --  LangChain  --  LlamaIndex  --  Autonomous  agents  --  Agent  collaboration  frameworks  --  AutoGen  --  TaskWeaver  --  AutoGPT  --  LLMOps  -  Operationalizing  LLM  apps  in  production  --  What  is  LLMOps?  --  Why  do  we  need  LLMOps?  --  LLM  lifecycle  management  --  Essential  components  of  LLMOps  --  Benefits  of  LLMOps  --  Comparing  MLOps  and  LLMOps  --  Platform  -  using  Prompt  Flow  for  LLMOps  --  Putting  it  all  together  --  LLMOps  -  case  study  and  best  practices  --  LLMOps  field  case  study  --  LLMOps  best  practices  --  Summary  --  References  --  Chapter  7:  Deploying  ChatGPT  in  the  Cloud:  Architecture  Design  and  Scaling  Strategies  --  Understanding  limits  --  Cloud  scaling  and  design  patterns  --  What  is  scaling?  --  Understanding  TPM,  RPM,  and  PTUs  --  Scaling  Design  patterns  --  Retries  with  exponential  backoff  -  the  scaling  special  sauce  --  Rate  Limiting  Policy  in  Azure  API  Management  --  Monitoring,  logging,  and  HTTP  return  codes  --  Monitoring  and  logging  --  HTTP  return  codes  --  Costs,  training  and  support  --  Costs  --  Training  --  Support  --  Summary  --  References  --  Part  4:    Building  Safe  and  Secure    AI  -  Security  and    Ethical  Considerations  --  Chapter  8:  Security  and  Privacy  Considerations  for  Gen  AI  -  Building  Safe  and  Secure  LLMs  --  Understanding  and  mitigating  security  risks  in  generative  AI  --  Emerging  security  threats  -  a  look  at  attack  vectors  and  future  challenges  --  Model  denial  of  service  (DoS)  --  Jailbreaks  and  prompt  injections  --  Training  data  poisoning  --  Insecure  plugin  (assistant)  design  --  Insecure  output  handling  --  Applying  security  controls  in  your  organization  --  Content  filtering  --  Managed  identities  --  Key  management  system  --  What  is  privacy?  --  Privacy  in  the  cloud  --  Securing  data  in  the  generative  AI  era  --  Red-teaming,  auditing,  and  reporting  --  Auditing  --  Reporting  --  Summary.
■5058  ▼aReferences  --  Chapter  9:  Responsible  Development  of  AI  Solutions:  Building  with  Integrity  and  Care  --  Understanding  responsible  AI  design  --  What  is  responsible  AI?  --  Key  principles  of  RAI  --  Ethical  and  explainable  --  Fairness  and  inclusiveness  --  Reliability  and  safety  --  Transparency  --  Privacy  and  security  --  Accountability  --  Addressing  LLM  challenges  with  RAI  principles  --  Intellectual  property  issues  (Transparency  and  Accountability)  --  Hallucinations  (Reliability  and  Safety)  --  Toxicity  (Fairness  and  Inclusiveness)  --  Rising  Deepfake  concern  --  What  is  Deepfake?  --  Some  real-world  examples  of  Deepfake  --  Detrimental  effects  on  society  --  How  to  spot  a  Deepfake  --  Mitigation  strategies  --  Building  applications  using  a  responsible    AI-first  approach  --  Ideating/exploration  loop  --  Building/augmenting  loop  --  Operationalizing/deployment  loop  --  Role  of  AI  architects  and  leadership  --  AI,  the  cloud,  and  the  law  -  understanding  compliance  and  regulations  --  Compliance  considerations  --  Global  and  United  States  AI  regulatory  landscape  --  Biden  Executive  Order  on  AI  --  Startup  ecosystem  in  RAI  --  Summary  --  References  --  Part  5:    Generative  AI  -  What's  Next?  --  Chapter  10:  The  Future  of  Generative  AI  -  Trends  and  Emerging  Use  Cases  --  The  era  of  multimodal  interactions  --  GPT-4  Turbo  Vision  and  beyond  -  a  closer  look  at  this  LMM  --  Video  prompts  for  video  understanding  --  Video  generation  models  -  a  far-fetched  dream?  --  Can  AI  smell?  --  Industry-specific  generative  AI  apps  --  The  rise  of  small  language  models  (SLMs)  --  Integrating  generative  AI  with  intelligent  edge  devices  --  More  important  emerging  trends  and  2024-2025  predictions  --  From  quantum  computing  to  AGI  -  charting  ChatGPT's  future  trajectory  --  What  is  AGI?  --  Quantum  computing  and  AI  --  The  impact  of  AGI  on  society  --  Conclusion  --  References  --  Index  --  Other  Books  You  May  Enjoy.
■5058  ▼a_Int_V1jQ29D8  --  _Hlk161251332.
■588    ▼aDescription  based  on  publisher  supplied  metadata  and  other  sources.
■590    ▼aElectronic  reproduction.  Ann  Arbor,  Michigan  :  ProQuest  Ebook  Central,  2026.  Available  via  World  Wide  Web.  Access  may  be  limited  to  ProQuest  Ebook  Central  affiliated  libraries.  
■655  4▼aElectronic  books.
■7001  ▼aKaruparti,  Anurag.
■7001  ▼aMaeda,  John.
■77608▼iPrint  version▼aSingh,  Paul▼tGenerative  AI  for  Cloud  Solutions▼dBirmingham  :  Packt  Publishing,  Limited,c2024▼z9781835084786
■7972  ▼aProQuest  (Firm)
■85640▼uhttps://ebookcentral.proquest.com/lib/baekseok-ebooks/detail.action?docID=31302746▼zClick  to  View

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서