Ebook Domain-Specific Small Language Model - AI Hiệu Quả Cho Local Deployment [Ấn Bản Lần 1, Tháng 5/2026] [PDF + CODE] [9011E]
Lớn hơn không phải lúc nào cũng tốt hơn. Hãy huấn luyện và tinh chỉnh các mô hình ngôn ngữ chuyên biệt, tối ưu hóa cho các nhiệm vụ cụ thể trong từng lĩnh vực.
Khi bạn cần một mô hình ngôn ngữ phản hồi chính xác và nhanh chóng về một lĩnh vực kiến thức cụ thể, khả năng quá lớn của một LLM có thể gây hại nhiều hơn là có lợi. Cuốn sách "Các Domain-Specific Small Language Model" sẽ hướng dẫn bạn xây dựng các generative AI model được tối ưu hóa cho các lĩnh vực cụ thể.
Trong cuốn sách này, bạn sẽ khám phá:
- ✓ Các Model sizing best practice.
- ✓ Các open source library, framework, utility & runtime.
- ✓ Các kỹ thuật fine-tuning cho các dataset tùy chỉnh.
- ✓ Các thư viện của Hugging Face dành cho các SLM.
- ✓ Chạy các SLM trên phần cứng thông thường.
- ✓ Model optimization hoặc quantization.
Hoàn hảo cho các môi trường có chi phí hoặc phần cứng hạn chế, Small Language Model (SLM) được huấn luyện trên dữ liệu chuyên biệt theo lĩnh vực để cho ra kết quả chất lượng cao trong các tác vụ cụ thể. Trong cuốn sách "Domain-Specific Small Language Model", bạn sẽ phát triển các SLM có thể generate mọi thứ, từ code Python đến các cấu trúc protein và antibody sequence, tất cả đều trên phần cứng thông thường.
Về công nghệ:
Các mô hình ngôn ngữ nhỏ gọn được huấn luyện trên các tập dữ liệu tùy chỉnh và được host ở local có thể hoạt động nhanh và chính xác như các large generalist model, thường với chi phí thấp hơn nhiều. Cuốn sách "Domain-Specific Small Language Model" hướng dẫn bạn cách xây dựng các SLM bảo vệ quyền riêng tư và tuân thủ quy định cho các hệ thống agentic, các ứng dụng chuyên biệt và deployment trên edge.
Về cuốn sách:
Đây là một cuốn sách thực tế hướng dẫn bạn cách điều chỉnh các mô hình mã nguồn mở đã được huấn luyện trước cho lĩnh vực của mình bằng cách sử dụng transfer learning và parameter-efficient fine-tuning. Bạn sẽ học cách giảm thiểu chi phí thông qua optimization & quantization, phát triển các API an toàn để phục vụ các mô hình của mình và deploy các SLM trên phần cứng thông thường, bao gồm cả các thiết bị nhỏ. Các ví dụ thực hành bao gồm việc tích hợp SLM vào các hệ thống RAG và các agentic workflow.
Bên trong có gì:
- ✓ ONNX và các quantization method khác.
- ✓ Tích hợp các SLM vào các ứng dụng đầu cuối.
- ✓ Deploy các SLM trên laptop, smartphone và các thiết bị khác.
Về người đọc:
- ✓ Dành cho các kỹ sư AI quen thuộc với Python.
Mục lục:
- ✓ Phần 1. Những bước đầu tiên:
- ✓ Chương 01. Các small language model.
- ✓ Phần 2. Các Core domain-specific LLM:
- ✓ Chương 02. Tuning cho một domain cụ thể.
- ✓ Chương 03. End-to-end transformer fine-tuning.
- ✓ Chương 04. Running inference.
- ✓ Chương 05. Khám phá ONNX.
- ✓ Chương 06. Quantizing cho môi trường production của bạn.
- ✓ Phần 3. Các trường hợp sử dụng thực tế:
- ✓ Chương 07. Generate Python code.
- ✓ Chương 08. Generate các protein structure.
- ✓ Phần 4. Các khái niệm nâng cao:
- ✓ Chương 09. Các kỹ thuật quantization nâng cao.
- ✓ Chương 10. Profiling insight.
- ✓ Chương 11. Deployment & Serving.
- ✓ Chương 12. Chạy trên laptop của bạn.
- ✓ Chương 13. Tạo các ứng dụng LLM hoàn chỉnh.
- ✓ Chương 14. Các component nâng cao cho các ứng dụng LLM.
- ✓ Chương 15. Test-time compute & Các small language model.