開発方法

これらのプログラミング方法を使用して、 基盤モデルを調整することができます

• REST API
• Python
• Node.js

Alternatively, you can inference foundation models from the product UI by using the Tuning Studio. 詳細については、 Tuning Studio。

REST API

APIを使用して foundation model を迅速にチューニングすることは、複雑な作業です。 Python のサンプルノートブックは、プロセスを簡素化します。 サンプルノートブックをテンプレートとして使用し、迅速なチューニングを行うための独自のノートブックを作成することができます。 foundation model をプログラムでチューニングする を参照してください。

大まかに言えば、APIを使用して foundation model を迅速にチューニングするには、以下の手順が必要です

1. foundation model のチューニングに使用するトレーニングデータファイルを作成します。

   トレーニングデータファイルの要件に関する詳細については、 基盤モデルのチューニング用データ形式 をご覧ください。

2. トレーニングデータファイルをアップロードしてください。

   次のいずれかの資産を作成して、ファイルを追加することができます

   • 接続アセット (connection asset)

     注 ：現在、迅速なチューニングトレーニングには Cloud Object Storage 接続タイプのみがサポートされています。

     APIからのファイル参照を参照してください。

     次のステップで作成する request.json ファイルに training_data_references セクションを追加する際に、接続IDとトレーニングデータファイルの詳細を使用します。

   • データアセット

     To create a data asset, use the Data and AI Common Core API to データ資産を定義する.

     You will use the asset ID and training data file details when you add the training_data_references section to the request.json file that you create in the next step.

   トレーニングデータファイルを参照する方法の詳細については 、「データ参照」 を参照してください。

3. watsonx.ai API を使用してトレーニング実験を作成します。

   トレーニングを作成するを参照してください。

   TrainingResource ペイロードで実験のパラメータを指定できます。 利用可能なパラメータの詳細については、 基盤モデルのチューニングパラメータ をご覧ください。

   task_id については、 利用可能な基盤モデルをリストアップする メソッドへの応答で foundation model に対応していると記載されているタスクのいずれかを指定します。

4. 調整したモデルをリポジトリサービスに保存して、調整したモデルを指す asset_id を生成します。

   調整したモデルを保存するには、 watsonx.ai Runtime（旧称： Watson Machine Learning ）API を使用して新しいモデルを作成します。

5. Use the watsonx.ai API to create a deployment for the tuned model.

   参照 デプロイメント

調整済みのモデルを推論するには、調整済みのモデルをホストするデプロイメントの固有のIDを含む推論エンドポイントを使用する必要があります。 詳細は、 デプロイメント セクションの 推論方法 をご覧ください。

親トピック: 生成型AIソリューションのコーディング