Hoppa till innehållet
AI-grafen

Bygg en agent som går att lita på

Arkitektur, planering, observability, säkerhet och utvärdering — och kodagenten som får objektiv återkoppling från tester.

F· AI engineering

Alla kunskaper som ingår (77) — i beroendeordning

  1. 1AMönster och kategorier
  2. 2BData från vardagen
  3. 3AInstruktioner i rätt ordning
  4. 4BAlgoritmiskt tänkande
  5. 5CFunktioner och koordinatsystem
  6. 6DDerivata och optimering
  7. 7CProgrammeringslogik — variabler, villkor, loopar
  8. 8CPython — grunderna
  9. 9CPython — listor, loopar och dictionaries
  10. 10DPython — funktioner, scope och undantag
  11. 11DPython — klasser och objekt
  12. 12EAsynkron programmering
  13. 13CPython — strängar och textbehandling
  14. 14CPython — filer, CSV och JSON
  15. 15DAPI:er och HTTP
  16. 16EBygga ett API med FastAPI
  17. 17BRegler kontra inlärning
  18. 18BKällkritik och ansvar när AI svarar
  19. 19CStatistik — medelvärde, median och spridning
  20. 20CSannolikhet — grunderna
  21. 21DLoss-funktioner
  22. 22DTestning med pytest
  23. 23DTokenisering
  24. 24BTräningsdata, features och etiketter
  25. 25BKlassificering — så sorterar en modell
  26. 26CDin första prediktiva modell — en rät linje
  27. 27DGradient descent
  28. 28CNeuronnät — intuitionen
  29. 29CPromptning — att styra en språkmodell
  30. 30CAnsvarsfull användning av AI
  31. 31DKontextfönster, systemprompt och few-shot
  32. 32EStrukturerad utdata och schema
  33. 33BVad är generativ AI?
  34. 34BGissa nästa ord
  35. 35BAI:n hittar på ibland
  36. 36CAI som använder verktyg: miniräknaren
  37. 37DBygg en enkel agent med ett verktyg
  38. 38DVektorer
  39. 39DMatriser och matrismultiplikation
  40. 40DLinjär regression med flera features
  41. 41DNeuronnät — forward pass med matriser
  42. 42DBackpropagation
  43. 43DEmbeddings — ord som vektorer
  44. 44DAttention
  45. 45DOverfitting och generalisering
  46. 46DPyTorch — tensorer och autograd
  47. 47DRetrieval — hitta rätt text
  48. 48DTräning, validering och test
  49. 49DTräna ett neuronnät i PyTorch
  50. 50DTransformers — arkitekturen
  51. 51EMulti-head attention i detalj
  52. 52EKV-cache
  53. 53ELatens, throughput och batching vid inferens
  54. 54EKostnadsmodellering för LLM-system
  55. 55ESpråkmodeller — träning och generering
  56. 56EModellutvärdering
  57. 57ERAG — retrieval-augmented generation
  58. 58FEvals för språkmodeller och agenter
  59. 59ESpråkmodeller för kod
  60. 60EVerktygsanvändning (tool use)
  61. 61EAgenter — planera, agera, observera
  62. 62FAgentarkitekturer
  63. 63EBudget, stoppvillkor och kostnadskontroll
  64. 64FAI-säkerhet och red teaming
  65. 65FAgentsäkerhet: behörigheter, sandlåda, bekräftelse
  66. 66EArbetsminne: kontext, sammanfattning, fönster
  67. 67FMultiagentsystem
  68. 68EReAct-loopen: tänk, agera, observera
  69. 69FUtvärdering av agenter
  70. 70FKodagenter
  71. 71FPlanering och nedbrytning i delmål
  72. 72EVerktygsschema, validering och felhantering
  73. 73FMCP och verktygsprotokoll
  74. 74EVetenskaplig metod i AI
  75. 75EReproducerbarhet
  76. 76EExperimentspårning
  77. 77FObservability för agenter