GTC における AI についてのトレーニングと認定

ニューラル ネットワークのトレーニングおよび結果を使用した、パフォーマンスと能力の改善のための、ディープラーニングの基礎をご覧ください。

最新のプロンプト エンジニアリング技術を使用して、さまざまな LLM ベースのアプリケーションを構築する方法を学びます。

大規模言語モデルを使用して、さまざまな言語関連タスクを行うためのアプリケーション構築方法を学びます。

複数の感覚器官からの情報を処理するため、人間は脳の中にさまざまなネットワークを持っているように、マルチモーダル モデルは、複数のインプット データ タイプに基づく推論を最適化するために、組織化された構造を持っています。

データ サイエンス ワークフロー用にエンドツーエンドの GPU の高速化を可能にするデータ サイエンス ライブラリのコレクションである RAPIDS を使用して、大規模なデータセットでの複数の分析タスクを実行する方法を学びます。

PEFT (parameter efficient fine-tuning) を使用して、LLM アプリケーション機能を改良、必要とする LLM の規模を小さくする方法を学びます。

任意の環境に大規模に適用できるインテリジェント エージェントの設計方法を学びます。LangGraph や NVIDIA NIM などのフレームワークを活用することで、Deep Thought、Long-horizon Reasoning、コンテンツ管理、リアルタイム オペレーションが可能なエージェントを構築します。

GPU で高速化されたコードの記述、コンパイル、実行方法、NVIDIA® CUDA® コア ライブラリを活用して、最新の GPU アクセラレータによって提供される大規模並列処理能力を利用する方法、CPU と GPU 間のメモリ マイグレーションを最適化する方法、自分のアルゴリズムを実行する方法について学びます。

拡張性、オートスケーリング、モニタリング、データ マネジメントに焦点を当て、RAG システムを概念実証からエンタープライズ レベルの展開に移行する方法を学びます。ワークショップでは、本番環境レベルのパフォーマンスを最適化するために、NVIDIA NIM™ マイクロサービスについても取り上げます。

大規模言語モデル (LLM) を活用したエージェントは、ツールの使用、ドキュメントの参照、アプローチの計画において優れた検索能力を示してきました。このコースでは、皆さんが顧客のリクエストに応じるため、システムを拡張できる柔軟性を備えたエージェント システムを実際にデプロイする方法を説明します。