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 texte 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.
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 de modèles de base qui peuvent effectuer des tâches liées au texte et au code. Watsonx.ai dispose d'une gamme de modèles de langue de grande taille déployés que vous pouvez essayer. Pour plus de détails, voir Modèles de base pris en charge.
Architecture du modèle de base
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 d'IA traditionnels et les modèles de base.
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 sourcés, organisés et étiquetés à la main, un travail qui requiert des personnes ayant des connaissances de domaine et qui 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 base sont entraînés sur des ensembles de données volumineux, diversifiés et sans libellé 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.
Méthodes de travail avec des modèles de base
Les possibilités et les applications des modèles de base commencent à peine à être découvertes. Explorez et validez des cas d'utilisation avec des modèles de base dans watsonx.ai pour automatiser, simplifier et accélérer les processus existants ou fournir de la valeur d'une nouvelle manière.
Vous pouvez interagir avec les modèles de base de l'une des manières suivantes:
- Les invites de l'ingénieur et les modèles de fondation déployés par inférence directement à l'aide du " Prompt Lab
- Inférence des modèles de fondation déployés de manière programmatique en utilisant la bibliothèque Python ou l'API watsonx.ai
- Régler les modèles de fondation pour qu'ils renvoient une sortie dans un certain style ou format à l'aide du Tuning Studio