Generatiivisen tekoälyn hyödyntäminen (4 op)
Toteutuksen tunnus: KL00DX67-3003
Toteutuksen perustiedot
- Ilmoittautumisaika
- 07.05.2025 - 31.08.2025
- Ilmoittautuminen toteutukselle on käynnissä.
- Ajoitus
- 21.08.2025 - 12.10.2025
- Toteutus ei ole vielä alkanut.
- Opintopistemäärä
- 4 op
- Lähiosuus
- 0 op
- Virtuaaliosuus
- 4 op
- Toteutustapa
- Etäopetus
- Toimipiste
- SeAMK Seinäjoki, Frami
- Opetuskielet
- suomi
- Koulutus
- Insinööri (AMK), Tietotekniikka
- Opettajat
- Matti Panula
- Ryhmät
-
GENAI25Tekoälyn hyödyntäminen ja ohjelmistorobotiikka
- Opintojakso
- KL00DX67
Arviointiasteikko
1-5
Tavoitteet
Opiskelija osaa selittää kielimallien (LLM) toimintaperiaatteet ja osaa soveltaa niitä käytännön tehtävissä myös ohjelmallisesti. Opiskelija osaa asentaa LLM:n paikallisesti tai yksityiseen pilvipalveluun. Opiskelija osaa hienosäätää LLM:n ja soveltaa Retrieval-Augmented Generation (RAG) -tekniikkaa.
Sisältö
- Kielimallien (LLM) hyödyntäminen ohjelmallisesti
- Paikallisesti asennetun kielimallin hyödyntäminen
- Tutustuminen pilvipohjaisiin ratkaisuihin
- Kielimallin hienosäätö ja Retrieval-Augmented Generation (RAG)
Arviointikriteerit, tyydyttävä (1)
Opiskelija osaa selittää kielimallien (LLM) toimintaperiaatteet ja osaa soveltaa niitä käytännön tehtävissä. Opiskelija osaa asentaa LLM:n paikallisesti tai yksityiseen pilvipalveluun.
Arviointikriteerit, hyvä (3)
Opiskelija osaa selittää kielimallien (LLM) toimintaperiaatteet ja osaa soveltaa niitä käytännön tehtävissä myös ohjelmallisesti. Opiskelija osaa asentaa LLM:n paikallisesti tai yksityiseen pilvipalveluun. Opiskelija osaa hienosäätää LLM:n ja soveltaa Retrieval-Augmented Generation (RAG) -tekniikkaa.
Arviointikriteerit, kiitettävä (5)
Opiskelija osaa selittää kielimallien (LLM) toimintaperiaatteet ja osaa soveltaa niitä monipuolisesti myös ohjelmallisesti. Opiskelija osaa asentaa LLM:n paikallisesti tai yksityiseen pilvipalveluun. Hän ymmärtää paikallisen asennuksen edut ja rajoitukset. Opiskelija osaa hienosäätää LLM:n ja soveltaa Retrieval-Augmented Generation (RAG) -tekniikkaa. Hän ymmärtää, miten hienosäätö parantaa mallin suorituskykyä.