Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål E Universitet

AI-tjänst i drift

Observability, promptar som kod, agentloopar och verktygsanvändning — hur en AI-funktion sköts när den väl har användare.

Kunskaper
87
Från noll
ca 60 h
Labbar
6
Se vad du redan kan — utan konto

Diagnosen föreslår en startpunkt. Övningarna visar vad du faktiskt kan.

Det här kan du efteråt

Labbar på vägen

Du skriver koden. Tester du inte ser avgör om den håller.

Labb: en agentloop med verktyg, budget och spårEsandlåda · ca 60 minLabb: bygg en eval-harnessEsandlåda · ca 60 minSlutprov: bygg ett spårbart RAG-flödeEsandlåda · ca 75 minLabb: ett neuronnät i ren NumPy — forward, backprop, gradientkontrollDsandlåda · ca 75 minLabb: gradient descent från grundenDi webbläsaren · ca 50 minLabb: matrismultiplikation och ett lager i ett neuronnätDi webbläsaren · ca 45 min

Hela vägen

Allt målet bygger på, grupperat per nivå och i den ordning det bygger på varandra. Visa på kartan

AUpptäckare5 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
  3. Grundläggande programmering med block
  4. Styra en process med kommandon
  5. Upprepa: loopar
BUtforskare16 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Felsökning: hitta felet i koden
  4. Regelbaserade system och maskininlärning
  5. Källkritik och ansvar vid AI-användning
  6. Förstärkningsinlärning: lära av feedback
  7. Träningsdata, features och etiketter
  8. Klassificering: hur en modell sorterar information
  9. Generativ AI: hur den skapar innehåll
  10. Språkmodeller och sannolikheter
  11. AI:s påhittade svar
  12. Villkor i kod: om–annars
  13. Variabler: namngivna lagringsplatser
  14. Identifiera och åtgärda programfel
  15. Bygg ett enkelt poängsystem i kod
  16. Från idé till app
CByggare17 kunskaper
  1. Funktioner och koordinatsystem
  2. Programmeringslogik — variabler, villkor, loopar
  3. Python — grunderna
  4. Python — listor, loopar och dictionaries
  5. Python — strängar och textbehandling
  6. Python — filer, CSV och JSON
  7. Statistik — medelvärde, median och spridning
  8. Sannolikhet — grunderna
  9. Manuell datamarkering
  10. Linjär regression: anpassa en rät linje till data
  11. Neuronnät — intuitionen
  12. Promptning — att styra en språkmodell
  13. Experiment: skev träningsdata och dess konsekvenser
  14. Projekt: träna en bildklassificerare i webbläsaren
  15. Träna om modellen med egna exempel
  16. AI som använder verktyg: miniräknaren
  17. Behövs AI i min app?
DAI-utvecklare26 kunskaper
  1. Derivata och optimering
  2. Python — funktioner, scope och undantag
  3. Python — klasser och objekt
  4. API:er och HTTP
  5. Sannolikhetsfördelningar
  6. Loss-funktioner
  7. Normalfördelningen och standardisering
  8. Stickprov och osäkerhet
  9. Testning med pytest
  10. Tokenisering
  11. Gradient descent
  12. Kontextfönster, systemprompt och few-shot
  13. Vektorer
  14. Matriser och matrismultiplikation
  15. Linjär regression med flera features
  16. Neuronnät — forward pass med matriser
  17. Backpropagation
  18. Embeddings — ord som vektorer
  19. Attention
  20. Overfitting och generalisering
  21. PyTorch — tensorer och autograd
  22. Retrieval — hitta rätt text
  23. Träning, validering och test
  24. Träna ett neuronnät i PyTorch
  25. Transformers — arkitekturen
  26. Designa för att AI:n kan ha fel
EUniversitet23 kunskaper
  1. Asynkron programmering
  2. Bygga ett API med FastAPI
  3. Konfidensintervall
  4. Hypotesprövning och p-värden
  5. A/B-test och experimentdesign
  6. Multi-head attention i detalj
  7. KV-cache
  8. Latens, throughput och batching vid inferens
  9. Kostnadsmodellering för LLM-system
  10. Kostnad, kvoter och prissättning
  11. Språkmodeller — träning och generering
  12. Hallucinationer — orsaker och motmedel
  13. UX för AI-funktioner
  14. Modellutvärdering
  15. Bygg en eval-harness
  16. Promptar som kod: versionering och test
  17. Från prototyp till produkt
  18. Observability för ML-system
  19. Produktmått för AI-funktioner
  20. RAG — retrieval-augmented generation
  21. Verktygsanvändning (tool use)
  22. Agenter — planera, agera, observera
  23. ReAct-loopen: tänk, agera, observera