0 / 0
Retourner à la version anglaise de la documentation
Réglage d'un modèle de fondation par programmation
Dernière mise à jour : 26 févr. 2025
Réglage d'un modèle de fondation par programmation

Vous pouvez adapter de manière programmatique un ensemble de modèles de base dans watsonx.ai afin de les personnaliser en fonction de votre cas d'utilisation.

Moyens de développement

Les méthodes de programmation suivantes permettent d'adapter les modèles de fondation :

Vous pouvez également utiliser les outils graphiques de l'interface utilisateur watsonx.ai pour ajuster les modèles de fondation. Voir Tuning Studio.

API REST

L'ajustement rapide d'un modèle de base à l'aide de l'API est une tâche complexe. Les carnets d' Python s types simplifient le processus. Vous pouvez utiliser un exemple de carnet comme modèle pour rédiger vos propres carnets de notes. Voir Tuning a foundation model programmatically.

Modèles de fondation pris en charge

Voir Choisir un modèle de fondation à régler.

Pour obtenir une liste des modèles de fondation qui prennent en charge le réglage rapide par programmation, vous pouvez utiliser la requête suivante :

curl -X GET \
  'https://{hostname}/ml/v1/foundation_model_specs?version=2025-02-20&filters=function_prompt_tune_trainable'
Remarque :Vous ne pouvez pas régler un modèle de base personnalisé.

Procédure

À un niveau élevé, l'ajustement rapide d'un modèle de base à l'aide de l'API implique les étapes suivantes :

  1. Créer un justificatif de tâche.

    Un identifiant de tâche est une clé API utilisée pour authentifier les tâches de longue durée qui sont lancées par les étapes que vous suivrez dans cette procédure. Il n'est pas nécessaire de transmettre l'identifiant de la tâche dans la requête API. Un identifiant de tâche que vous avez créé doit exister dans le service d'identification de votre user_id et account_id. Voir Création des identifiants de la tâche.

  2. Créer un fichier de données de formation à utiliser pour le réglage du modèle de base.

    Pour plus d'informations sur les exigences en matière de fichiers de données de formation, voir Formats de données pour la mise au point des modèles de base.

  3. Téléchargez votre fichier de données d'entraînement.

    Vous pouvez choisir d'ajouter le fichier en créant l'un des types d'actifs suivants :

    • actif de connexion

      Remarque : seul le type de connexion Cloud Object Storage est actuellement pris en charge pour la formation au réglage rapide.

      Voir Référencement de fichiers à partir de l'API.

      Vous utiliserez l'identifiant de connexion et les détails du fichier de données de formation lorsque vous ajouterez la section training_data_references au fichier request.json que vous créerez à l'étape suivante.

    • Actif de données

      Pour créer une ressource de données, utilisez l'API du tronc commun de données et d'IA pour définir une ressource de données.

      Vous utiliserez l'ID de l'actif et les détails du fichier de données de formation lorsque vous ajouterez la section d' training_data_references s de la requête REST que vous créerez à l'étape suivante.

    Pour plus d'informations sur les différentes façons de référencer un fichier de données de formation, voir Références de données.

  4. Utilisez l'API watsonx.ai pour créer une expérience de formation.

    Voir créer une formation.

    Vous pouvez spécifier les paramètres de l'expérience dans la charge utile TrainingResource. Pour plus d'informations sur les paramètres disponibles, voir Paramètres de réglage des modèles de fondation.

    Pour l' task_id, précisez l'une des tâches répertoriées comme étant prises en charge pour le modèle de base dans la réponse à la méthode List the available foundation models.

  5. Sauvegarder le modèle ajusté dans le service de dépôt pour générer un asset_id qui pointe vers le modèle ajusté.

    Pour sauvegarder le modèle accordé, utilisez l'API watsonx.ai Runtime (anciennement Watson Machine Learning ) pour créer un nouveau modèle.

  6. Utilisez l'API watsonx.ai pour créer un déploiement pour le modèle accordé.

    Voir créer un déploiement

Pour inférer un modèle accordé, vous devez utiliser le point de terminaison d'inférence qui inclut l'ID unique du déploiement qui héberge le modèle accordé. Pour plus d'informations, voir les méthodes d'inférence dans la section Déploiements.

Thème parent : Coder des solutions d'IA générative