Siirry suoraan sisältöön

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
GENAI25
Tekoälyn 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.

Siirry alkuun