LLM 开发者日

了解使用热门的现成 LLM API 在真实业务数据上设计和实施由 LLM 提供支持的系统的实用方法，无需专门的硬件、模型训练或棘手的部署。我们将展示为模型设计有效输入的技术(“prompts”)，以及如何将 LLM 与其他系统 (包括业务数据库) 以及 LangChain 等工具包相结合。加入我们，了解如何构建 LLM 系统以产生切实的业务结果。

通过针对特定领域的应用进行定制，使 LLM 超越现成模型和 API 的质量限制。我们将讨论准备数据集的策略，并使用真实示例展示不同形式的自定义所带来的收益。加入我们，了解适用于基于 API 的 LLM 和自我管理的 LLM 的模型调整技术。

在此会议中，我们将探索生物学中的基础 AI 模型，以及由真实示例支持的实用蛋白质工程和设计应用。我们将讨论新近的生物学突破，并将其应用于如何使用 LLM 预测蛋白质结构和功能，并以计算方式对蛋白质数据进行编码。参会者将学习如何使用 NVIDIA BioNeMo™ (用于药物研发的生成式 AI 平台) 来简化和加速基于其自有数据的模型训练，确保轻松且可扩展地部署用于药物发现应用的模型。

网络安全是一个数据问题，通过自然语言对数据进行情境化是最有效的方法之一。随着大型语言模型 (LLM) 和加速计算能力的进步，我们可以通过扩展检测和数据生成技术的方式来表示安全数据。此次会议中，我们将讨论 LLM 的进步，包括如何在整个网络安全堆栈中利用 LLM，从 copilot 助手到合成数据生成等方面。

在自我管理硬件上优化和部署 LLM (无论是在云端还是本地) 可以为大规模运营的组织带来切实的效率、数据治理和成本改进。我们将讨论在常用硬件上运行的获得商业许可的开放式 LLM，并展示如何使用优化器获得低延迟和高吞吐量的推理，以减少计算需求。加入我们，了解如何扩展自我管理 LLM，以适应独特的业务和应用需求。

在本场会议中，除了针对会议期间已探讨过的问题进一步答疑，我们还将回答参会者可能提出的任何其他问题。

在本场会议中，我们将回顾 LLM 开发者日的内容，并回答参会者可能提出的任何问题。