Hoppa till innehållet
AI-grafen

AI-tjänst i drift

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

E· Universitet

Alla kunskaper som ingår (87) — i beroendeordning

  1. 1AMönster och kategorier
  2. 2BData från vardagen
  3. 3AInstruktioner i rätt ordning
  4. 4BAlgoritmiskt tänkande
  5. 5ABlockprogrammering
  6. 6BHitta felet i programmet
  7. 7CFunktioner och koordinatsystem
  8. 8DDerivata och optimering
  9. 9CProgrammeringslogik — variabler, villkor, loopar
  10. 10CPython — grunderna
  11. 11CPython — listor, loopar och dictionaries
  12. 12DPython — funktioner, scope och undantag
  13. 13DPython — klasser och objekt
  14. 14EAsynkron programmering
  15. 15CPython — strängar och textbehandling
  16. 16CPython — filer, CSV och JSON
  17. 17DAPI:er och HTTP
  18. 18EBygga ett API med FastAPI
  19. 19BRegler kontra inlärning
  20. 20BKällkritik och ansvar när AI svarar
  21. 21AStyra en robot med kommandon
  22. 22BBelöna roboten: lära av försök
  23. 23AUpprepa: loopar
  24. 24CStatistik — medelvärde, median och spridning
  25. 25CSannolikhet — grunderna
  26. 26DSannolikhetsfördelningar
  27. 27DLoss-funktioner
  28. 28DNormalfördelningen och standardisering
  29. 29DStickprov och osäkerhet
  30. 30EKonfidensintervall
  31. 31EHypotesprövning och p-värden
  32. 32EA/B-test och experimentdesign
  33. 33DTestning med pytest
  34. 34DTokenisering
  35. 35BTräningsdata, features och etiketter
  36. 36CMärk data för hand
  37. 37BKlassificering — så sorterar en modell
  38. 38CDin första prediktiva modell — en rät linje
  39. 39DGradient descent
  40. 40CNeuronnät — intuitionen
  41. 41CPromptning — att styra en språkmodell
  42. 42DKontextfönster, systemprompt och few-shot
  43. 43CExperiment: bra och dålig träningsdata
  44. 44CProjekt: träna en bildklassificerare i webbläsaren
  45. 45CTräna om modellen med egna exempel
  46. 46BVad är generativ AI?
  47. 47BGissa nästa ord
  48. 48BAI:n hittar på ibland
  49. 49CAI som använder verktyg: miniräknaren
  50. 50DVektorer
  51. 51DMatriser och matrismultiplikation
  52. 52DLinjär regression med flera features
  53. 53DNeuronnät — forward pass med matriser
  54. 54DBackpropagation
  55. 55DEmbeddings — ord som vektorer
  56. 56DAttention
  57. 57DOverfitting och generalisering
  58. 58DPyTorch — tensorer och autograd
  59. 59DRetrieval — hitta rätt text
  60. 60DTräning, validering och test
  61. 61DTräna ett neuronnät i PyTorch
  62. 62DTransformers — arkitekturen
  63. 63EMulti-head attention i detalj
  64. 64EKV-cache
  65. 65ELatens, throughput och batching vid inferens
  66. 66EKostnadsmodellering för LLM-system
  67. 67EKostnad, kvoter och prissättning
  68. 68ESpråkmodeller — träning och generering
  69. 69EHallucinationer — orsaker och motmedel
  70. 70EUX för AI-funktioner
  71. 71EModellutvärdering
  72. 72EBygg en eval-harness
  73. 73EPromptar som kod: versionering och test
  74. 74EFrån prototyp till produkt
  75. 75EObservability för ML-system
  76. 76EProduktmått för AI-funktioner
  77. 77ERAG — retrieval-augmented generation
  78. 78EVerktygsanvändning (tool use)
  79. 79EAgenter — planera, agera, observera
  80. 80EReAct-loopen: tänk, agera, observera
  81. 81BOm–så: villkor
  82. 82BVariabler: lådor med namn
  83. 83BHitta och laga buggar
  84. 84BBygg ett eget spel i block
  85. 85BFrån idé till app
  86. 86CBehövs AI i min app?
  87. 87DDesigna för att AI:n kan ha fel