Model bahasa besar (LLM) adalah model deep learning yang dilatih pada data teks dalam jumlah besar. LLM dapat menerjemahkan bahasa, meringkas teks, mengenali objek dan teks dalam gambar, serta melengkapi mesin telusur dan sistem rekomendasi. Google menyediakan model berikut:
Gemini adalah kelompok model AI generatif yang dirancang untuk kasus penggunaan multimodal; yang mampu memproses informasi dari berbagai modalitas, termasuk gambar, video, dan teks.
PaLM 2 dibangun berdasarkan pengalaman riset Google dalam machine learning dan responsible AI.
Model PaLM 2 unggul dalam tugas penalaran tingkat lanjut, klasifikasi dan jawaban pertanyaan, terjemahan, dan pembuatan natural language. Ukurannya yang besar memungkinkannya mempelajari pola dan hubungan yang kompleks dalam bahasa serta menghasilkan teks berkualitas tinggi untuk berbagai aplikasi.
Untuk melihat referensi pembelajaran lainnya, jelajahi repo GitHub AI Generatif. Data scientist, developer, dan advokat developer Google mengelola konten ini.
Mulai
Berikut adalah beberapa notebook, tutorial, dan contoh lainnya untuk membantu Anda memulai. Vertex AI menawarkan tutorial konsol Google Cloud dan tutorial notebook Jupyter yang menggunakan Vertex AI SDK untuk Python. Anda dapat membuka tutorial notebook di Colab atau mendownload notebook ke lingkungan pilihan Anda.
Mulai menggunakan Gemini
|
Model Gemini adalah model bahasa multimodal inovatif yang dikembangkan oleh Google AI dan mampu mengekstrak insight yang bermakna dari beragam format data, termasuk gambar dan video. Notebook ini mengeksplorasi berbagai kasus penggunaan dengan prompt multimodal.
Jupyter notebook: Anda dapat menjalankan tutorial ini sebagai notebook Jupyter. |
Mulai menggunakan Vertex AI PaLM API & Vertex AI SDK untuk Python
|
Pelajari cara menggunakan PaLM API dengan
Vertex AI SDK untuk Python. Pada akhir notebook ini, Anda akan memahami
berbagai variasi parameter model generatif
seperti
Notebook Jupyter: Anda dapat menjalankan tutorial ini sebagai notebook Jupyter. |
Mulai menggunakan Vertex AI Vertex AI Studio
|
Gunakan Vertex AI Studio melalui Konsol Google Cloud tanpa memerlukan API atau Vertex AI SDK untuk Python. |
Praktik terbaik untuk desain perintah
|
Pelajari cara mendesain perintah untuk meningkatkan kualitas respons dari model. Tutorial ini membahas dasar-dasar rekayasa perintah , termasuk beberapa praktik terbaik.
Notebook Jupyter: Anda dapat menjalankan tutorial ini sebagai notebook Jupyter. |
LangChain 🦜️🔗
LangChain adalah framework untuk mengembangkan aplikasi yang didukung oleh LLM seperti model PaLM. Gunakan LangChain untuk membawa data eksternal, seperti file, aplikasi lain, dan data API, ke LLM Anda.
Untuk mempelajari LangChain lebih lanjut dan cara kerjanya dengan Vertex AI, lihat dokumentasi resmi LangChain dan Vertex AI.
LangChain dan Vertex AI PaLM API
|
Tutorial ini memberikan pengantar untuk memahami komponen LangChain dan beberapa kasus penggunaan umum untuk menggunakan LangChain serta Vertex AI PaLM API. Beberapa contoh dan demo dalam tutorial ini mencakup:
Notebook Jupyter: Anda dapat menjalankan tutorial ini sebagai notebook Jupyter. |
Mendapatkan ringkasan teks dari dokumen besar menggunakan LangChain
|
|
Ringkasan teks adalah tugas natural language processing (NLP) yang membuat ringkasan singkat dan informatif dari teks yang lebih panjang. Anda dapat menggunakan LLM untuk membuat ringkasan artikel berita, makalah penelitian, dokumen teknis, dan jenis teks lainnya. Dalam notebook ini, Anda akan menggunakan LangChain untuk menerapkan strategi peringkasan. Notebook ini mencakup beberapa contoh cara meringkas dokumen besar.
Notebook Jupyter: Anda dapat menjalankan tutorial ini sebagai notebook Jupyter. |
Menjawab pertanyaan dari dokumen besar dengan LangChain
|
|
Notebook ini menggunakan LangChain dengan Vertex AI PaLM API untuk membangun sistem question-answering (Q&A) yang mengekstrak informasi dari dokumen besar.
Notebook Jupyter: Anda dapat menjalankan tutorial ini sebagai notebook Jupyter. |
Menjawab pertanyaan dari dokumen dengan LangChain dan Vector Search
|
|
Notebook ini menunjukkan cara menerapkan sistem question & answering (QA) yang meningkatkan respons LLM. Anda akan mempelajari cara meningkatkan pengetahuannya dengan sumber data eksternal seperti dokumen dan situs. Notebook ini menggunakan Vector Search, LangChain, dan Vertex AI PaLM API untuk pembuatan teks dan embedding.
Notebook Jupyter: Anda dapat menjalankan tutorial ini sebagai notebook Jupyter. |
Langkah selanjutnya
- Pelajari referensi lainnya di repo GitHub AI Generatif.
- Lihat tutorial notebook Vertex AI lainnya di Ringkasan tutorial.