Ajustar una base de maquillaje mediante programación

Modelos de bases compatibles

Véase Elegir un modelo de base para ajustar.

Para obtener una lista de los modelos de bases que admiten la sincronización inmediata mediante programación, puede utilizar la siguiente solicitud:

curl -X GET \
  'https://{hostname}/ml/v1/foundation_model_specs?version=2025-02-20&filters=function_prompt_tune_trainable'

Procedimiento

A un alto nivel, el ajuste rápido de un modelo de base mediante el uso de la API implica los siguientes pasos:

1. Crear una credencial de tarea.

   Una credencial de tarea es una clave API que se utiliza para autenticar trabajos de larga duración que se inician mediante los pasos que usted seguirá en este procedimiento. No es necesario que pase la credencial de tarea en la solicitud de API. Una credencial de tarea creada por usted debe existir en el servicio de credenciales para su user_id y account_id. Véase Creación de credenciales de tareas.

2. Crear un archivo de datos de entrenamiento para ajustar el modelo de base.

   Para obtener más información sobre los requisitos del archivo de datos de entrenamiento, consulte Formatos de datos para ajustar modelos de bases.

3. Cargue su archivo de datos de entrenamiento.

   Puede optar por añadir el archivo creando uno de los siguientes tipos de activos:

   • activo de conexión

     Nota : Actualmente, solo se admite el tipo de conexión e Cloud Object Storage.

     Consulte Referenciar archivos desde la API.

     Utilizará el ID de conexión y los detalles del archivo de datos de entrenamiento cuando añada la sección " training_data_references " al archivo " request.json " que creará en el siguiente paso.

   • Activo de datos

     Para crear un activo de datos, utilice la API de núcleo común de datos e IA para definir un activo de datos.

     Utilizará el ID de activo y los detalles del archivo de datos de entrenamiento cuando añada la sección " training_data_references " de la solicitud REST que cree en el siguiente paso.

   Para obtener más información sobre las formas admitidas para hacer referencia a un archivo de datos de entrenamiento, consulte Referencias de datos.

4. Utilice la API de watsonx.ai para crear un experimento de formación.

   Ver crear una formación.

   Puede especificar parámetros para el experimento en la carga útil de la API de experimentos ( TrainingResource ). Para obtener más información sobre los parámetros disponibles, consulte Parámetros para ajustar los modelos de cimientos.

   Para el método task_id, especifique una de las tareas que figuran como compatibles con el modelo de base en la respuesta al método List the available foundation models.

5. Guarde el modelo ajustado en el servicio de repositorio para generar un archivo de configuración de la aplicación ( asset_id ) que apunte al modelo ajustado.

   Para guardar el modelo sintonizado, utilice la API de tiempo de ejecución de JavaScript ( watsonx.ai, anteriormente Watson Machine Learning ) para crear un nuevo modelo.

6. Utilice la API de watsonx.ai para crear una implementación para el modelo ajustado.

   Ver crear una implementación

Para inferir un modelo ajustado, debe utilizar el punto final de inferencia que incluye el ID único de la implementación que aloja el modelo ajustado. Para obtener más información, consulte los métodos de inferencia en la sección Implementaciones.

Tema principal: Codificación de soluciones de IA generativa