Examen de Certificación en LLM de IA Generativa de NVIDIA

Conocimiento de algoritmos, convenciones y técnicas que permiten a las computadoras aprender y hacer predicciones o decisiones basadas en datos.

• Ayude en la implementación y la evaluación de la escalabilidad, el desempeño y la confiabilidad de modelos bajo la supervisión de los miembros del equipo sénior.
• Conciencia del proceso de extracción de información de grandes conjuntos de datos mediante la minería de datos, la visualización de datos y técnicas similares.
• Desarrolle casos de uso de LLM, como la generación aumentada por recuperación (RAG), chatbots y herramientas de elaboración de resúmenes.
• Seleccione e incruste conjuntos de datos de contenido para RAG.
• Familiaridad con los fundamentos del machine learning (por ejemplo, ingeniería de funciones, comparación de modelos, validación cruzada).
• Familiaridad con las capacidades de los paquetes de lenguaje natural de Python (spaCy, NumPy, bases de datos vectoriales, etc.).
• Lea documentos de investigación (artículos, documentos de conferencias, etc.) para identificar tendencias y tecnologías emergentes de LLM.
• Seleccione y use modelos para crear incrustaciones de texto.
• Use los principios de ingeniería de prompts para crear prompts con el fin de lograr los resultados deseados.
• Use paquetes de Python (spaCy, NumPy, Keras, etc.) para implementar análisis de machine learning tradicionales específicos.

30 %
Ponderación del Examen

Inspeccionar, limpiar, transformar y modelar datos con el objetivo de descubrir información útil, informar conclusiones y respaldar la toma de decisiones.

• Conciencia del proceso de extracción de información de grandes conjuntos de datos mediante la minería de datos, la visualización de datos y técnicas similares.
• Compare modelos mediante métricas de desempeño estadístico, como las funciones de pérdida o la proporción de varianza explicada.
• Realice análisis de datos bajo la supervisión de un miembro sénior del equipo.
• Cree gráficos, tablas u otras visualizaciones para transmitir los resultados del análisis de datos mediante software especializado.
• Identifique relaciones y tendencias o cualquier factor que pueda afectar los resultados de la investigación.

14 %
Ponderación del Examen

Realice, evalúe e interprete experimentos, incluida la evaluación de modelos de IA y el uso de sujetos humanos en el etiquetado o el aprendizaje por refuerzo a partir de comentarios humanos (RLHF).

• Ayude en el entrenamiento y la optimización del entrenamiento de modelos bajo la supervisión de un miembro del equipo sénior.
• Ayude a preparar (por ejemplo, mediante scraping o tokenización) grandes conjuntos de datos para el preentrenamiento, el ajuste fino y RLHF.
• Ayude en el diseño y la realización de pruebas de hardware o software para aplicaciones de LLM.
• Ayude en la evaluación de tecnologías actuales o emergentes para considerar factores como el costo, la portabilidad, la compatibilidad o la usabilidad.
• Conciencia de o participación en la recopilación de datos de sujetos humanos (por ejemplo, RLHF).
• Evalúe y refine los modelos/análisis de referencia existentes.
• Realice experimentación para evaluar modelos y pipelines.

22 %
Ponderación del Examen

Cree, mantenga y pruebe software.

• Ayude en la implementación y las evaluaciones de la escalabilidad, el desempeño y la confiabilidad de modelos bajo la supervisión de un miembro sénior del equipo.
• Desarrolle casos de uso de LLM como RAG, chatbots y herramientas de elaboración de resúmenes.
• Familiaridad con las capacidades de los paquetes de lenguaje natural de Python (spaCy, NumPy, bases de datos vectoriales, etc.).
• Identifique los datos del sistema, los componentes de hardware o software necesarios para satisfacer las necesidades del usuario.
• Monitoree el funcionamiento de la recopilación de datos, los experimentos y otros procesos de software.
• Use paquetes de Python (spaCy, NumPy, Keras, etc.) para implementar análisis de machine learning tradicionales específicos.
• Escriba componentes de software o scripts bajo la supervisión de un miembro sénior del equipo.

24 %
Ponderación del Examen

Creación y evaluación de sistemas de inteligencia artificial éticos, con conciencia de energía y confiables, capaces de interpretar e integrar varias formas de datos, lo que garantiza que estén diseñados y aplicados de manera transparente, justa y verificable.

• Describa los principios éticos de la IA confiable.
• Describa el equilibrio entre la privacidad de los datos y la importancia del consentimiento de los datos.
• Describa cómo usar NVIDIA y otras tecnologías para mejorar la confiabilidad de la IA.
• Describa cómo minimizar el sesgo en los sistemas de IA.

10 %
Ponderación del Examen