Argomento tradotto automaticamente È possibile passare alla versione ingleseConsultare la dichiarazione di non responsabilità
Fare riferimento alla versione inglese (originale) per visualizzare una versione più accurata e aggiornata di questa documentazione. IBM non è responsabile di eventuali danni o perdite derivanti dall'uso di contenuti tradotti automaticamente (machine translation).
Valutazione dei risultati di un esperimento di messa a punto
Ultimo aggiornamento: 23 set 2024
Valutazione dei risultati di un esperimento di messa a punto
La messa a punto di un modello di base in watsonx.ai è un processo iterativo. Si esegue un esperimento di messa a punto e si valutano i risultati. Se necessario, si modificano le variabili dell'esperimento e si esegue ripetutamente l'esperimento finché non si è soddisfatti dell'output del modello di fondazione messo a punto.
Controllate i vostri progressi dopo ogni esperimento. Individuare eventuali limiti nella configurazione dell'esperimento di messa a punto e risolverli prima di valutare i dati di addestramento per individuare potenziali problemi.
Flusso di lavoro per migliorare i risultati degli esperimenti di tuning
Copy link to section
Non esiste un unico set di parametri di regolazione o di esempi di dati di allenamento da utilizzare. Le migliori impostazioni dei parametri di regolazione e le dimensioni dei set di dati variano in base ai dati, al modello di base utilizzato e al tipo di attività che si desidera svolgere con il modello. Seguite questi passaggi per risparmiare tempo e rimanere in carreggiata durante la sperimentazione.
È possibile utilizzare Tuning Studio per completare questi passaggi o utilizzare i quaderni di esempio per eseguirli in modo programmatico.
Prima di iniziare la sperimentazione, creare o conservare un sottoinsieme di dati di allenamento sintonizzati da utilizzare come set di dati di prova.
Eseguire un esperimento di sintonizzazione con i parametri di sintonizzazione predefiniti.
Controllare la funzione di perdita per l'esperimento.
Il modello sintonizzato funziona bene quando la funzione di perdita ha una curva discendente che si stabilizza vicino allo zero.
Se necessario, regolare i valori dei parametri e ripetere l'esperimento fino a quando la funzione di perdita non si stabilizza vicino allo zero.
Verificare la qualità del modello sintonizzato inviando richieste dal set di dati di prova.
Se necessario, rivedere o aumentare i dati di addestramento.
Quando vengono introdotti nuovi dati, potrebbero essere possibili ulteriori ottimizzazioni dei parametri di regolazione. Eseguire nuovamente l'esperimento e ripetere le fasi di questo flusso di lavoro a partire dal punto 3.