Fine-Tuning Kurs i Uppsala

This instructor-led, live training in Uppsala (online or onsite) is aimed at advanced-level defense AI engineers and military technology developers who wish to fine-tune deep learning models for use in autonomous vehicles, drones, and surveillance systems while meeting stringent security and reliability standards.

By the end of this training, participants will be able to:

• Fine-tune computer vision and sensor fusion models for surveillance and targeting tasks.
• Adapt autonomous AI systems to changing environments and mission profiles.
• Implement robust validation and fail-safe mechanisms in model pipelines.
• Ensure alignment with defense-specific compliance, safety, and security standards.

This instructor-led, live training in Uppsala (online or onsite) is aimed at intermediate-level legal tech engineers and AI developers who wish to fine-tune language models for tasks like contract analysis, clause extraction, and automated legal research in legal service environments.

By the end of this training, participants will be able to:

• Prepare and clean legal documents for fine-tuning NLP models.
• Apply fine-tuning strategies to improve model accuracy on legal tasks.
• Deploy models to assist with contract review, classification, and research.
• Ensure compliance, auditability, and traceability of AI outputs in legal contexts.

This instructor-led, live training in Uppsala (online or onsite) is aimed at intermediate-level to advanced-level medical AI developers and data scientists who wish to fine-tune models for clinical diagnosis, disease prediction, and patient outcome forecasting using structured and unstructured medical data.

By the end of this training, participants will be able to:

• Fine-tune AI models on healthcare datasets including EMRs, imaging, and time-series data.
• Apply transfer learning, domain adaptation, and model compression in medical contexts.
• Address privacy, bias, and regulatory compliance in model development.
• Deploy and monitor fine-tuned models in real-world healthcare environments.

This instructor-led, live training in Uppsala (online or onsite) is aimed at advanced-level data scientists and AI engineers in the financial sector who wish to fine-tune models for applications such as credit scoring, fraud detection, and risk modeling using domain-specific financial data.

By the end of this training, participants will be able to:

• Fine-tune AI models on financial datasets for improved fraud and risk prediction.
• Apply techniques such as transfer learning, LoRA, and regularization to enhance model efficiency.
• Integrate financial compliance considerations into the AI modeling workflow.
• Deploy fine-tuned models for production use in financial services platforms.

Denna instruktörsledda, live-utbildning i Uppsala (online eller på plats) riktar sig till avancerade AI-underhållstekniker och MLOps professionella som vill implementera robusta kontinuerliga inlärningspipelines och effektiva uppdateringsstrategier för utplacerade, finjusterade modeller.

Efter denna utbildning kommer deltagarna att kunna:

• Designa och implementera kontinuerliga inlärningsarbetsflöden för utplacerade modeller.
• Minska katastrofalt glömska genom korrekt träning och minneshantering.
• Automatisera övervakning och uppdateringsutlösare baserat på modellavvikelser eller dataförändringar.
• Integrera modelluppdateringsstrategier i befintliga CI/CD- och MLOps pipelines.

Denna instruktörsledda, liveutbildning på plats Uppsala (online eller på plats) riktar sig till mellan- och avancerade AI-utvecklare för inbyggda system och specialister inom edge computing som vill finjustera och optimera lättvikts AI-modeller för distribution på resursbegränsade enheter.

Efter avslutad utbildning kommer deltagarna att kunna:

• Välja och anpassa förtränade modeller som lämpar sig för edge-distribution.
• Tillämpa kvantisering, beskärning och andra kompressionstekniker för att minska modellstorlek och fördröjning.
• Finjustera modeller med hjälp av transfer learning för uppgiftsspecifik prestanda.
• Distribuera optimerade modeller på verkliga edge-hardwareplattformar.

This instructor-led, live training in Uppsala (online or onsite) is aimed at advanced-level computer vision engineers and AI developers who wish to fine-tune VLMs such as CLIP and Flamingo to improve performance on industry-specific visual-text tasks.

By the end of this training, participants will be able to:

• Understand the architecture and pretraining methods of vision-language models.
• Fine-tune VLMs for classification, retrieval, captioning, or multimodal QA.
• Prepare datasets and apply PEFT strategies to reduce resource usage.
• Evaluate and deploy customized VLMs in production environments.

This instructor-led, live training in Uppsala (online or onsite) is aimed at intermediate-level ML engineers and AI compliance professionals who wish to identify, evaluate, and reduce safety risks and biases in fine-tuned language models.

By the end of this training, participants will be able to:

• Understand the ethical and regulatory context for safe AI systems.
• Identify and evaluate common forms of bias in fine-tuned models.
• Apply bias mitigation techniques during and after training.
• Design and audit models for safety, transparency, and fairness.

Denna ledarledda, live-utbildning på Uppsala (online eller på plats) riktar sig till NLP-ingenjörer och kunskapshanteringsteam på mellanavancerad nivå som vill finjustera RAG-pipelines för att förbättra prestanda i frågesvars-, företagsöknings- och sammanfattningsanvändningsfall.

Efter denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen och arbetsflödet i RAG-system.
• Finjustera återhämtnings- och generatorkomponenter för domänspecifika data.
• Utvärdera RAG-prestanda och tillämpa förbättringar genom PEFT-tekniker.
• Distribuera optimerade RAG-system för intern eller produktionsanvändning.

Denna instruktörsledda, levande träning online eller på plats är riktad till mellanavancerade ML-praktiker och AI-utvecklare som vill finjustera och distribuera öppenviktsmodeller som LLaMA, Mistral och Qwen för specifika affärs- eller interna applikationer.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå ekosystemet och skillnaderna mellan öppna källkodens LLMs.
• Förbereda datamängder och finjusteringar av konfigurationer för modeller som LLaMA, Mistral, och Qwen.
• Kör finjusteringspipelines med Hugging Face Transformers och PEFT.
• Utvärdera, spara och distribuera finjusterade modeller i säkra miljöer.

Denna ledarstyrda, liveutbildning online eller på plats är riktad till datavetare och AI-ingenjörer med mellanavancerad kunskap som vill justera stora språkmodeller mer kostnadseffektivt och effektivt med metoder som LoRA, Adapter Tuning och Prefix Tuning.

Efter denna utbildning kommer deltagarna att kunna:

• Förstå teorin bakom parameter-effektiva metodik för finjustering.
• Implementera LoRA, Adapter Tuning och Prefix Tuning med hjälp av Hugging Face PEFT.
• Jämföra prestanda och kostnadsavvägningar mellan PEFT-metoder och fullständig finjustering.
• Distribuera och skalbar finjustera stora språkmodeller med minskade beräknings- och lagringskrav.

Denna instruktörsledda, live-träning i Uppsala (online eller på plats) riktar sig till maskininlärningsingenjörer, AI-utvecklare och datavetenskapsmän på mellan- till avancerad nivå som vill lära sig hur man använder QLoRA för att effektivt finjusterar stora modeller för specifika uppgifter och anpassningar.

Efter denna träning kommer deltagarna att kunna:

• Förstå teorin bakom QLoRA och kvantiseringstekniker för stora språkmodeller.
• Implementera QLoRA i finjustering av stora språkmodeller för domänspecifika tillämpningar.
• Optimera finjusteringens prestanda på begränsade beräkningsresurser med hjälp av kvantisering.
• Distribuera och utvärdera finjusterade modeller effektivt i verkliga tillämpningar.

Denna instruktörledda, live-träning i Uppsala (online eller på plats) riktar sig till avancerade maskininlärningsingenjörer och AI-forskare som vill tillämpa RLHF för att finjustera stora AI-modeller för överlägsen prestanda, säkerhet och samstämmighet.

Efter denna träning kommer deltagarna att kunna:

• Förstå de teoretiska grunderna för RLHF och varför det är avgörande i modern AI-utveckling.
• Implementera belöningsmodeller baserade på mänsklig återkoppling för att styra förstärkningsinlärningsprocesser.
• Finjustera stora språkmodeller med hjälp av RLHF-tekniker för att samstämmighet med människors preferenser.
• Tillämpa bästa praxis för att skala RLHF-arbetsflöden för produktionskvalificerade AI-system.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till yrkesverksamma på mellannivå som vill få praktiska färdigheter i att anpassa AI-modeller för kritiska finansiella uppgifter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna för finjustering för ekonomiprogram.
• Utnyttja förtränade modeller för domänspecifika uppgifter inom ekonomi.
• Tillämpa tekniker för upptäckt av bedrägerier, riskbedömning och generering av finansiell rådgivning.
• Se till att finansiella regler som GDPR och SOX följs.
• Implementera datasäkerhet och etiska AI-metoder i finansiella applikationer.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill förfina sina färdigheter i att diagnostisera och lösa finjusteringsutmaningar för maskininlärningsmodeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Diagnostisera problem som överanpassning, underanpassning och obalans i data.
• Implementera strategier för att förbättra modellkonvergensen.
• Optimera finjustering av pipelines för bättre prestanda.
• Felsök träningsprocesser med hjälp av praktiska verktyg och tekniker.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill behärska tekniker för att optimera stora modeller för kostnadseffektiv finjustering i verkliga scenarier.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå utmaningarna med att finjustera stora modeller.
• Tillämpa distribuerade träningstekniker på stora modeller.
• Utnyttja modellkvantisering och rensning för effektivitet.
• Optimera maskinvaruanvändningen för finjusteringsuppgifter.
• Distribuera finjusterade modeller effektivt i produktionsmiljöer.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på mellannivå som vill utnyttja kraften i snabb teknik och få skottinlärning för att optimera LLM-prestanda för verkliga applikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för snabb teknik och inlärning med få skott.
• Utforma effektiva uppmaningar för olika NLP-uppgifter.
• Utnyttja några få tekniker för att anpassa LLM:er med minimal data.
• Optimera LLM-prestanda för praktiska tillämpningar.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill behärska finjustering av multimodala modeller för innovativa AI-lösningar.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen för multimodala modeller som CLIP och Flamingo.
• Förbered och förbearbeta multimodala datauppsättningar effektivt.
• Finjustera multimodala modeller för specifika uppgifter.
• Optimera modeller för verkliga program och prestanda.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till avancerade AI-forskare, maskininlärningsingenjörer och utvecklare som vill finjustera DeepSeek LLM-modeller för att skapa specialiserade AI-applikationer som är anpassade till specifika industrier, domäner eller affärsbehov.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen och kapabiliteterna hos DeepSeek modeller, inklusive DeepSeek-R1 och DeepSeek-V3.
• Förbereda datasets och förbehandla data för finjustering.
• Finjustera DeepSeek LLM för domänspecifika applikationer.
• Optimera och distribuera finjusterade modeller effektivt.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill distribuera finjusterade modeller på ett tillförlitligt och effektivt sätt.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå utmaningarna med att distribuera finjusterade modeller till produktion.
• Containerisera och distribuera modeller med hjälp av verktyg som Docker och Kubernetes.
• Implementera övervakning och loggning för distribuerade modeller.
• Optimera modeller för svarstid och skalbarhet i verkliga scenarier.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till maskininlärningsproffs på avancerad nivå som vill behärska banbrytande överföringsinlärningstekniker och tillämpa dem på komplexa verkliga problem.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå avancerade begrepp och metoder inom överföringsinlärning.
• Implementera domänspecifika anpassningstekniker för förtränade modeller.
• Tillämpa kontinuerlig inlärning för att hantera föränderliga uppgifter och datauppsättningar.
• Bemästra finjustering av flera uppgifter för att förbättra modellens prestanda mellan uppgifter.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till maskininlärningsproffs på nybörjarnivå till mellannivå som vill förstå och tillämpa överföringsinlärningstekniker för att förbättra effektivitet och prestanda i AI-projekt.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen och fördelarna med överföringsinlärning.
• Utforska populära förtränade modeller och deras program.
• Utför finjustering av förtränade modeller för anpassade uppgifter.
• Tillämpa överföringsinlärning för att lösa verkliga problem inom NLP och datorseende.

Denna instruktörsledda, liveträning i Uppsala (online eller på plats) riktar sig till utvecklare på mellannivå och AI-utövare som vill implementera finjusteringsstrategier för stora modeller utan behov av omfattande beräkningsresurser.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för Low-Rank Adaptation (LoRA).
• Implementera LoRA för effektiv finjustering av stora modeller.
• Optimera finjustering för resursbegränsade miljöer.
• Utvärdera och distribuera LoRA-avstämda modeller för praktiska tillämpningar.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på mellannivå till avancerad nivå som vill anpassa förtränade modeller för specifika uppgifter och datauppsättningar.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för finjustering och dess tillämpningar.
• Förbered datauppsättningar för finjustering av förtränade modeller.
• Finjustera stora språkmodeller (LLM) för NLP-uppgifter.
• Optimera modellens prestanda och hantera vanliga utmaningar.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till yrkesverksamma på mellannivå som vill förbättra sina NLP-projekt genom effektiv finjustering av förtränade språkmodeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna för finjustering för NLP-uppgifter.
• Finjustera förtränade modeller som GPT, BERT och T5 för specifika NLP-applikationer.
• Optimera hyperparametrar för bättre modellprestanda.
• Utvärdera och distribuera finjusterade modeller i verkliga scenarier.