Üretim düzeyinde LLM uygulamaları için geliştirici rehberi (çeviri yazı)

• Zapier'in AI ürün geliştiricisi Tal Peretz tarafından yazılan bu yazı, izin alınarak çevrilmiştir.

• Orijinal metne buradan ulaşabilirsiniz; ana başlıklar aşağıdaki gibidir.

---

• Prompt engineering - başlangıç aşaması

• Değerlendirmenin rolü: (navigasyonun ölçütü) Kutup Yıldızı

  • Yapay zeka değerlendirmelerine sistematik yaklaşım / Systematic Approach to AI Evaluations
  • Derinlemesine testler için veri kümelerinden yararlanma / Dataset Utilization for In-depth Testing
  • Yapay zeka değerlendirmeleriyle değerlendirmeleri iyileştirme / Refining Evaluations with AI Assessments
  • Değerlendirme için metrikler / Metrics to evaluate
  • Altın standart olarak insan değerlendirmesi / Human Evaluation as the Gold Standard

• RAG: gerektiğinde bağlama uygun derinlemesine bilgi

  • Denenebilecek teknikler / Techniques to Experiment With

• Fine-tuning: uzmanlaşma sanatı

  • Eğitim verisinin yetersizliği: miktar-kalite dengesi sorunu / Insufficient Training Data: The Quantity-Quality Equilibrium
  • Dengesiz eğitim veri setleri: önyargı ikilemi / Unbalanced Training Sets: The Bias Dilemma
  • Açık veriyi yeniden kullanma: yeni sinyal zorunluluğu / Reusing Public Data: The New Signal Imperative
  • Yetersiz prompt engineering: açıklık ilkesi / Poor Prompt Engineering: The Clarity Commandment
  • Kademeli değerlendirme yapmamak: sürekli gözden kaçırma / Not Evaluating Incrementally: The Continuous Oversight

• Her şeye ihtiyaç duyulduğunda

• Kapanış

[cosine20]

Paylaşım için teşekkürler.

[apkas]

OpenAI'ın yayımladığı A Survey of Techniques for Maximizing LLM Performance ile neredeyse aynı içerik gibi görünüyor, değil mi?

[ninebow]

OpenAI DevDay videosunu izleyememiştim; bahsettiğiniz oturumun olduğunu ancak şimdi öğrendim. :)
Paylaştığınız için teşekkür ederim!

(+ diğerleri için, bulduğum YouTube bağlantısını da paylaşıyorum!)
https://www.youtube.com/watch?v=ahnGLM-RC1Y