È possibile mettere a punto in modo programmatico un insieme di modelli di fondazione in watsonx.ai per personalizzarli in base al proprio caso d'uso.
Modi per sviluppare
È possibile mettere a punto i modelli di fondazione utilizzando questi metodi di programmazione:
In alternativa, si possono usare gli strumenti grafici dell'interfaccia utente di watsonx.ai per mettere a punto i modelli di fondazione. Vedi Tuning Studio.
API REST
La messa a punto immediata di un modello di base utilizzando l'API è un compito complesso. I taccuini di esempio per l' Python e semplificano il processo. È possibile utilizzare un quaderno di esempio come modello per scrivere i propri quaderni per la messa a punto dei prompt. Vedere Regolazione di un modello di fondazione in modo programmatico.
Modelli di fondazioni supportate
Vedere Scelta di un modello di base da mettere a punto.
Per ottenere un elenco di modelli di fondazione che supportano la messa a punto rapida a livello di programmazione, è possibile utilizzare la seguente richiesta:
curl -X GET \
'https://{hostname}/ml/v1/foundation_model_specs?version=2025-02-20&filters=function_prompt_tune_trainable'
Procedura
A un livello elevato, la messa a punto tempestiva di un modello di base utilizzando l'API prevede i seguenti passaggi:
Creare una credenziale di attività.
Una credenziale di attività è una chiave API utilizzata per autenticare attività di lunga durata avviate tramite i passaggi descritti in questa procedura. Non è necessario passare le credenziali dell'attività nella richiesta API. Una credenziale di attività creata dall'utente deve esistere nel servizio credenziali per l'
user_ide l'account_id. Vedere Creazione di credenziali per attività.Creare un file di dati di addestramento da utilizzare per la messa a punto del modello di fondazione.
Per ulteriori informazioni sui requisiti dei file di dati di addestramento, vedere Formati dei dati per la messa a punto dei modelli di fondazione.
Caricare il file dei dati di allenamento.
È possibile scegliere di aggiungere il file creando uno dei seguenti tipi di risorse:
asset di connessione
Nota : attualmente è supportato solo il tipo di connessione Cloud Object Storage per il training di sintonizzazione rapida.
Vedere Riferimento ai file dell'API.
L'ID della connessione e i dettagli del file dei dati di addestramento verranno utilizzati quando si aggiungerà la sezione
training_data_referencesal filerequest.jsoncreato nel passaggio successivo.Asset di dati
Per creare un asset di dati, utilizzare l'API Data and AI Common Core per definire un asset di dati.
Utilizzerai l'ID risorsa e i dettagli del file di dati di formazione quando aggiungerai la sezione "
training_data_references" della richiesta REST che creerai nel passaggio successivo.
Per ulteriori informazioni sui modi supportati per fare riferimento a un file di dati di allenamento, vedere Riferimenti ai dati.
Utilizzare l'API watsonx.ai per creare un esperimento di formazione.
Vedere Creare una formazione.
È possibile specificare i parametri dell'esperimento nel payload di
TrainingResource. Per ulteriori informazioni sui parametri disponibili, vedere Parametri per la messa a punto dei modelli di fondazione.Per l'
task_id, specificare una delle attività elencate come supportate per il modello di fondazione nella risposta al metodo Elenca i modelli di fondazione disponibili.Salvare il modello sintonizzato nel servizio di repository per generare un
asset_idche punta al modello sintonizzato.Per salvare il modello sintonizzato, utilizzare l'API watsonx.ai Runtime (ex Watson Machine Learning ) per creare un nuovo modello.
Usare l'API watsonx.ai per creare un deployment per il modello sintonizzato.
Per eseguire l'inferenza di un modello sintonizzato, è necessario utilizzare l'endpoint di inferenza che include l'ID univoco dell'installazione client che ospita il modello sintonizzato. Per ulteriori informazioni, vedere i metodi di inferenza nella sezione Deployments.
Argomento principale: Codificare soluzioni di IA generativa