granite-13b-chat-v2 基盤モデルを呼び出す IBM

granite-13b-chat-v2 を会話タスクのプロンプトにするヒント

• フォローアップの質問では、代名詞を避ける。 例えば、"その変数は何を表しているのか？"と尋ねる ではなく、「それは何を表しているのか？

• 基盤モデル表形式の応答を生成したい場合は、モデルのプロンプトで明示的に、マークダウンで生成される表を返すように依頼してください。

検索機能付き生成プロンプトの例

以下のプロンプトでは、 granite-13b-chat-v2 基盤モデルを使用して、 プロンプトのチューニングに関する質問に回答します。

注意: この文書の内容は、基礎モデルのチューニング方法トピックから引用しています。

<|system|>
You are Granite Chat, an AI language model developed by IBM. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.
<|user|>
You are an AI language model designed to function as a specialized Retrieval Augmented Generation (RAG) assistant. When generating responses, prioritize correctness, i.e., ensure that your response is grounded in context and user query. Always make sure that your response is relevant to the question.
Answer length: concise
[Document]
How prompt-tuning works
Foundation models are sensitive to the input that you give them. Your input, or how you prompt the model, can introduce context that the model will use to tailor its generated output. Prompt engineering to find the right prompt often works well. However, it can be time-consuming, error-prone, and its effectiveness can be restricted by the context window length that is allowed by the underlying model.
Prompt-tuning a model in the Tuning Studio applies machine learning to the task of prompt engineering. Instead of adding words to the input itself, prompt-tuning is a method for finding a sequence of values that, when added as a prefix to the input text, improve the model's ability to generate the output you want. This sequence of values is called a prompt vector.
Normally, words in the prompt are vectorized by the model. Vectorization is the process of converting text to tokens, and then to numbers defined by the model's tokenizer to identify the tokens. Lastly, the token IDs are encoded, meaning they are converted into a vector representation, which is the input format that is expected by the embedding layer of the model. Prompt-tuning bypasses the model's text-vectorization process and instead crafts a prompt vector directly. This changeable prompt vector is concatenated to the vectorized input text and the two are passed as one input to the embedding layer of the model. Values from this crafted prompt vector affect the word embedding weights that are set by the model and influence the words that the model chooses to add to the output.
To find the best values for the prompt vector, you run a tuning experiment. You demonstrate the type of output that you want for a corresponding input by providing the model with input and output example pairs in training data. With each training run of the experiment, the generated output is compared to the training data output. Based on what it learns from differences between the two, the experiment adjusts the values in the prompt vector. After many runs through the training data, the model finds the prompt vector that works best.
[End]
How does prompt tuning work?
<|assistant|>

granite-13b-chat-v2 基盤モデル、入力として提供されたドキュメントコンテンツの情報に基づいて、プロンプトチューニングの仕組みを正確に要約します。

出力は次のようになる：

プロンプトチューニングは、プロンプトベクトルと呼ばれる一連の値を調整することで、特定の出力を生成するモデルの能力を向上させる方法です。 プロンプトチューニングでは、入力に直接単語を追加するのではなく、プロンプトベクトルを作成し、モデルによって設定される単語埋め込み重みに直接影響を与える。 これは、入力テキストをベクトル化し、トークンIDをベクトル表現にエンコードすることで達成される。このベクトルは、細工されたプロンプトベクトルと連結され、モデルの埋め込みレイヤーに1つの入力として渡される。 この実験では、生成された出力と訓練データ例における所望の出力との差に基づいて、プロンプトベクトルの値を調整する。 トレーニングデータを何度も実行するうちに、モデルは最適なプロンプトベクトルを見つける。

機密区分

granite-13b-chat-v2 基盤モデルを使用して情報を分類するには、以下の推奨事項に従ってください。

次の表は、分類タスクのために granite-13b-chat-v2基盤モデルを促すための推奨モデル パラメータを示しています。

granite-13b-chat-v2 基盤モデル分類タスクを実行させるには、以下の手順をお試しください

1. モデルに入力に割り当てさせたいクラスまたは分類ラベルを特定する。 プロンプトのインストラクション・セグメントには、必ずこれらのクラス・ラベルを記載してください。

   例えば、顧客の商品レビューを肯定的か否定的かに分類したい場合、2つのクラスラベルを定義することができます：PostitiveとNegativeです。

2. モデルに分類させたいタイプの入力テキストの代表例を2つか3つ集める。

3. プロンプトを構造化できるように、 Prompt Lab の granite-13b-chat-v2基盤モデルをフリーフォーム モードで操作します。

4. モデルパラメータパネルから、表3から推奨されるモデルパラメータを設定します。

5. プロンプトでは、システムプロンプト、ユーザー入力、モデルの出力の行き先を明確にします。

   例えば、 granite-13b-chat-v2 基盤モデルをテキストの分類に訓練する際には、以下のプロンプト構造が使用されました

   <|system|>
   You are Granite Chat, an AI language model developed by IBM. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.
   <|user|>
   {INSTRUCTION}
   Your response should only include the answer. Do not provide any further explanation.
   Here are some examples, complete the last one:
   {INPUT_LABEL}:
   {ICL_INPUT_1}
   {OUTPUT_LABEL}:
   {ICL_OUTPUT_1}
   {INPUT_LABEL}:
   {ICL_INPUT_2}
   {OUTPUT_LABEL}:
   {ICL_OUTPUT_2}
   {INPUT_LABEL}:
   {TEST_INPUT}
   {OUTPUT_LABEL}:
   <|assistant|>
   
   

   同様の構造を使って、モデルのトレーニングを活用することができる。 プロンプトテンプレートのプレースホルダ変数を置き換えるだけでよい。

   表 3a: 分類テンプレートのプレースホルダー変数

   プレースホルダ変数	説明	例
   {INSTRUCTION}	タスクの説明。 モデルに入力に割り当ててほしいクラスのリストを含めます。	各製品のレビューについて、そのレビューが肯定的か否定的かを示してください。
   {INPUT_LABEL}	分類するテキストの短いラベル。	Input, Customer review, Feedback, Comment
   {OUTPUT_LABEL}	分類値を表す短いラベル。	Class
   {ICL_INPUT_N}	オプション。 分類される入力テキストの例。 インコンテクスト学習をサポートするために、数発のプロンプトを使用したい場合は、例を追加します。	The service representative did not listen to a word I said. It was a waste of my time.
   {ICL_OUTPUT_N}	対応する入力テキスト例にクラスラベルを割り当てた出力例。	Positive, Negative

<|system|>
You are Granite Chat, an AI language model developed by IBM. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.
<|user|>
For each feedback, specify whether the content is Positive or Negative. Your response should only include the answer. Do not provide any further explanation.
Here are some examples, complete the last one:
Feedback:
Carol, the service rep was so helpful. She answered all of my questions and explained things beautifully.
Class:
Positive
   
Feedback:
The service representative did not listen to a word I said. It was a waste of my time.
Class:
Negative
   
Feedback:
Carlo was so helpful and pleasant. He was able to solve a problem that I've been having with my software for weeks now.
Class:
<|assistant|>

抽出

granite-13b-chat-v2 基盤モデルを使用して情報を抽出するには、以下の推奨事項に従ってください。

次の表は、抽出タスクのために granite-13b-chat-v2基盤モデルを要求するための推奨モデル パラメータを示しています。

granite-13b-chat-v2 基盤モデル抽出タスクを実行させるには、以下の手順をお試しください

1. モデルに入力から抽出させたい情報タイプを特定する。 これらの情報タイプのラベルは、プロンプトの指示セグメントに必ず記載してください。

   例えば、ある企業の米国証券取引委員会（SEC）の10-Kフォームから重要な情報を抽出したい場合、Line Of Credit Facility Maximum Borrowing Capacityのような情報タイプを特定するかもしれません。

2. モデルに抽出させたい情報のタイプを持つ入力テキストの代表的な例を2つか3つ集める。

3. プロンプトを構造化できるように、 Prompt Lab の granite-13b-chat-v2基盤モデルをフリーフォーム モードで操作します。

4. モデルパラメータパネルから、表4から推奨されるモデルパラメータを設定します。

5. システムプロンプト、ユーザー入力、モデルの出力先を明確にする。

   例えば、 granite-13b-chat-v2 基盤モデルを訓練してテキストから情報を抽出する際には、以下のプロンプト構造が使用されました

   <|system|>
   You are Granite Chat, an AI language model developed by IBM. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.
   <|user|>
   {INSTRUCTION}
   Your response should only include the answer. Do not provide any further explanation.
   Here are some examples, complete the last one:
   {INPUT_LABEL}:
   {ICL_INPUT_1}
   {OUTPUT_LABEL}:
   {ICL_OUTPUT_1}
   {INPUT_LABEL}:
   {ICL_INPUT_2}
   {OUTPUT_LABEL}:
   {ICL_OUTPUT_2}
   {INPUT_LABEL}:
   {TEST_INPUT}
   {OUTPUT_LABEL}:
   <|assistant|>
   
   

   同様の構造を使って、モデルのトレーニングを活用することができる。 プロンプトテンプレートのプレースホルダ変数を置き換えるだけでよい。

   表 4a: 抽出テンプレートのプレースホルダー変数

   プレースホルダ変数	説明
   {INSTRUCTION}	タスクの説明。 モデルに入力から抽出させたい情報タイプのリストを含める。
   {INPUT_LABEL}	分類するテキストの短いラベル。
   {OUTPUT_LABEL}	抽出された値を表す短いラベル。
   {ICL_INPUT_N}	オプション。 抽出される情報タイプを持つ入力テキストの例。 インコンテクスト学習をサポートするために、数発のプロンプトを使用したい場合は、例を追加します。
   {ICL_OUTPUT_N}	対応する入力から情報タイプを抽出した出力例。

<|system|>
You are Granite Chat, an AI language model developed by IBM. You are a cautious assistant. You carefully follow instructions. You are helpful and harmless and you follow ethical guidelines and promote positive behavior.
<|user|>
Extract the Line Of Credit Facility Maximum Borrowing Capacity from the 10K sentences.
Your response should only include the answer. Do not provide any further explanation.
Here are some examples, complete the last one:
10K Sentence:
The credit agreement also provides that up to $500 million in commitments may be used for letters of credit.
Line Of Credit Facility Maximum Borrowing Capacity:
$500M

10K Sentence:
In March 2020, we upsized the Credit Agreement by $100 million, which matures July 2023, to $2.525 billion.
Line Of Credit Facility Maximum Borrowing Capacity:
$2.525B

10K Sentence:
We prepared our impairment test as of October 1, 2022 and determined that the fair values of each of our reporting units exceeded net book value by more than 50%. Among our reporting units, the narrowest difference between the calculated fair value and net book value was in our Principal Markets segment's Canada reporting unit, whose calculated fair value exceeded its net book value by 53%. Future developments related to macroeconomic factors, including increases to the discount rate used, or changes to other inputs and assumptions, including revenue growth, could reduce the fair value of this and/or other reporting units and lead to impairment. There were no goodwill impairment losses recorded for the nine months ended December 31, 2022. Cumulatively, the Company has recorded $469 million in goodwill impairment charges within its former EMEA ($293 million) and current United States ($176 million) reporting units. Revolving Credit Agreement In October 2021, we entered into a $3.15 billion multi-currency revolving credit agreement (the "Revolving Credit Agreement") for our future liquidity needs. The Revolving Credit Agreement expires, unless extended, in October 2026. Interest rates on borrowings under the Revolving Credit Agreement are based on prevailing market interest rates, plus a margin, as further described in the Revolving Credit Agreement. The total expense recorded by the Company for the Revolving Credit Agreement was not material in any of the periods presented. We may voluntarily prepay borrowings under the Revolving Credit Agreement without premium or penalty, subject to customary "breakage" costs. The Revolving Credit Agreement includes certain customary mandatory prepayment provisions. Interest on Debt Interest expense for the three and nine months ended December 31, 2022 was $27 million and $65 million, compared to $18 million and $50 million for the three and nine months ended December 31, 2021. Most of the interest for the pre-Separation period presented in the historical Consolidated Income Statement reflects the allocation of interest expense associated with debt issued by IBM from which a portion of the proceeds benefited Kyndryl.
Line Of Credit Facility Maximum Borrowing Capacity:
<|assistant|>