Développement de solutions d'IA génératives avec des modèles de base
Vous pouvez développer des solutions d'IA générative avec des modèles de base dans IBM watsonx.ai. Vous pouvez créer des invites pour générer, classer, résumer ou extraire du contenu à partir de votre contenu d'entrée. Choisissez parmi les modèles IBM ou les modèles open source. Vous pouvez optimiser les modèles de base pour personnaliser votre sortie d'invite ou optimiser les performances d'inférence.
Capacités d'IA générative
Avec watsonx.ai, vous pouvez créer des solutions d'IA générative qui incluent les capacités et les ressources suivantes.
- INVITE
- Construire des messages-guides qui demandent à un modèle de fondation de générer une réponse. Vous pouvez discuter avec des documents et d'autres médias, inclure des variables pour réutiliser les invites, supprimer les contenus nuisibles et contrôler d'autres paramètres d'invite et de modèle.
- Voir les messages d'encouragement à la construction.
- IA agentique
- Construire des flux de travail pour que le modèle de base fonctionne comme un agent qui contrôle le flux d'interaction avec l'utilisateur.
- Voir Construire des flux de travail pilotés par des agents avec l'API Chat.
- Génération augmentée de récupération
- Construire un modèle RAG pour fonder le modèle sur des faits tirés de vos documents. Vous pouvez personnaliser votre modèle RAG pour extraire le texte des documents, créer des index vectoriels et reclasser le contenu extrait. Vous pouvez automatiser la recherche d'un modèle RAG optimisé, de qualité production, en fonction de vos données et de votre cas d'utilisation.
- Voir Génération augmentée par récupération.
- Prévisions
- Prévoir les valeurs futures sur la base de séries chronologiques historiques.
- Voir Prévision des valeurs futures.
- Modèles de fondation
- Watsonx.ai propose une gamme de modèles de fonds de teint que vous pouvez essayer. Sinon, vous pouvez sélectionner un modèle de déploiement à la demande ou importer et déployer un modèle personnalisé.
- Voir Modèles de fondations soutenus.
- Réglage du modèle
- Accorder un modèle de fondation plus petit pour obtenir des résultats comparables aux modèles plus grands de la même famille de modèles.
- Voir Tuning foundation models.
- Scorings
- Évaluez et comparez vos actifs d'IA générative à l'aide de mesures quantitatives et de critères personnalisables adaptés à vos cas d'utilisation.
- Voir Évaluation des modèles d'IA.
Pour obtenir des conseils sur la planification de votre solution d'IA générative, voir Planification d'une solution d'IA.
Façons de travailler
Vous pouvez écrire le code de votre solution d'IA générative. Pour une liste de tâches et d'API, voir Coder des solutions d'IA générative.
Vous pouvez travailler en mode "no-code" ou "low-code" avec des outils de l'interface utilisateur :
Architecture du modèle de base
Les modèles de base sont de grands modèles d'IA qui ont des milliards de paramètres et sont entraînés sur des téraoctets de données. Les modèles de base peuvent effectuer diverses tâches, notamment la génération de texte, de code ou d'image, la classification, la conversation, etc. Les grands modèles de langage sont un sous-ensemble des modèles de base qui peuvent effectuer des tâches liées au texte et au code.
Les modèles de base représentent une architecture et un objectif de modèle fondamentalement différents pour les systèmes d'IA. Le diagramme suivant illustre la différence entre les modèles traditionnels d'apprentissage automatique de l'IA et les modèles de base de l'IA générative.
Comme le montre le diagramme, les modèles d'IA traditionnels se spécialisent dans des tâches spécifiques. La plupart des modèles d'IA traditionnels sont créés à l'aide de l'apprentissage automatique, qui nécessite un ensemble de données volumineux, structuré et bien étiqueté qui englobe une tâche spécifique que vous souhaitez exécuter. Souvent, ces ensembles de données doivent être trouvés, classés et étiquetés à la main, ce qui nécessite des personnes ayant des connaissances dans le domaine et prend du temps. Une fois qu'il a été entraîné, un modèle d'IA traditionnel peut bien effectuer une seule tâche. Le modèle d'IA traditionnel utilise ce qu'il apprend des modèles dans les données d'entraînement pour prédire les résultats dans des données inconnues. Vous pouvez créer des modèles d'apprentissage automatique pour vos cas d'utilisation spécifiques avec des outils tels que les blocs-notes AutoAI et Jupyter, puis les déployer.
En revanche, les modèles de fondation sont formés sur de vastes ensembles de données diversifiées et non étiquetées et peuvent être utilisés pour de nombreuses tâches différentes. Les modèles de base ont d'abord été utilisés pour générer du texte en calculant le mot suivant le plus probable dans les tâches de traduction en langage naturel. Cependant, les fournisseurs de modèles apprennent que, lorsqu'ils sont invités à saisir la bonne entrée, les modèles de base peuvent bien effectuer d'autres tâches. Au lieu de créer vos propres modèles de base, vous utilisez des modèles déployés existants et des invites d'ingénieur pour générer les résultats dont vous avez besoin.