Developing AI Agents and Agent Pipelines
Är du redo att ta dina AI-kunskaper till nästa nivå? Under den här kursen lär du dig hur du använder kraften hos stora språkmodeller för att bygga mycket kapabla och praktiska AI-agenter.
Många kurser kan även betalas med vårt kompetenskort alternativt utbildningsvouchers eller motsvarande credits från någon av våra teknikpartners.
Kursen hålls på begäran
Kontakta oss för mer information.
Telefon: 08-562 557 50
E-post: kursbokning@cornerstone.se
Du kommer att utforska gränserna för modern AI-utveckling och fördjupa dig i de senaste teknikerna och verktygen för att utveckla AI-agenter som kan förstå komplexa frågor, resonera och interagera med sin omgivning för att leverera värdefulla insikter. Du får en grundlig förståelse för de komponenter som behövs för att bygga dem, inklusive transformerarkitekturer, promptteknik och användning av LangChain-ramverket.
Oavsett om du är utvecklare som vill förbättra din kompetens eller arbetar med Data Science och strävar efter att bygga smartare modeller kommer denna kurs att ge dig kunskapen och de praktiska färdigheterna för att ta itu med verkliga utmaningar med AI-agenter. Vid kursens slut kommer du att kunna designa och implementera dina egna AI-agenter och pipelines för att revolutionera din organisation.
Målgrupp och förkunskaper
Denna kurs är utformad för utvecklare, data scientists och AI/ML-ingenjörer som vill höja sina färdigheter och lära sig banbrytande tekniker för att bygga intelligenta AI-system.
Kursen kräver grundkunskaper om Python, Machine Learning och Natural Language Processing.
Detaljerad information
Introduction & Agent Demo
- What are AI agents and why are they useful?
- Live demo of a complex multi-step agent that:
- Takes in a user’s financial query
- Searches for relevant info across data sources
- Analyzes data and generates insights
- Returns an insightful summary addressing the query
- Preview of the skills and concepts the course will cover to build this
Transformer Models Deep Dive
- What are transformer language models? How do they work?
- Attention mechanism, self-attention, multi-head attention
- Transformer architecture - encoders, decoders
- Training transformers on large language modeling tasks
- Capabilities of pretrained transformers (GPT, BERT, etc.)
- Hands-on: Explore transformer models in Hugging Face
Prompting Techniques
- Zero-shot, one-shot, few-shot prompting
- Chain-of-thought (CoT) prompting
- ReAct prompting - generation, action, observation
- Prompt engineering tips and best practices
- Hands-on: Prompt a model to perform multi-step reasoning
LangChain Refresher
- What is LangChain and why is it useful for agents?
- Key concepts - prompts, llms, chains, agents, tools
- Introducing Langflow for visual LangChain development
- Hands-on: Build a QA chain in LangChain
Developing AI Agents
- Key components: agent, prompt, tools, memory
- Defining an agent’s goals and capabilities
- Writing effective agent prompts
- Choosing and integrating tools (search, calculator, APIs)
- Agent memory - remembering interactions and info
- Anthropic’s function calling vs OpenAI’s approaches
- Hands-on: Develop a news summarization agent
Agent Pipelines
- Chaining agents together into pipelines
- Use cases: Complex tasks, specialized skills, scale
- Considerations: Inter-agent communication, error handling
- Tools for building pipelines - LangChain, Langflow
- Hands-on: Build an agent pipeline to generate financial reports
- Agent 1: Searches and collects relevant financial data
- Agent 2: Cleans, analyzes and visualizes the data
- Agent 3: Generates natural language summary of insights
Putting it All Together
- Review of key concepts
- Live coding demo combining all concepts
- Q&A and discussion
- Ideate agent use cases for students’ organizations
- Students present ideas and get feedback