Méthodes d'optimisation des modèles de base

En savoir plus sur les différentes méthodes de réglage.

Les modèles de base peuvent être ajustés de la manière suivante :

• Réglage fin complet : en utilisant les connaissances préalables du modèle de base comme point de départ, le réglage fin complet adapte le modèle en l'ajustant avec un ensemble de données plus petit et spécifique à la tâche. La méthode de réglage fin complet modifie les pondérations des paramètres d'un modèle dont les pondérations ont été définies lors d'un apprentissage préalable afin de personnaliser le modèle pour une tâche.

  Note: Actuellement, vous ne pouvez pas affiner les modèles de fondation dans watsonx.ai, mais vous pouvez les affiner rapidement.

• Ajustement d'invite: Ajuste le contenu de l'invite qui est transmise au modèle pour l'aider à générer une sortie qui correspond à un modèle que vous spécifiez. Le modèle de fondation sous-jacent et ses pondérations de paramètres ne sont pas modifiés. Seule l'entrée d'invite est modifiée.

  Bien que le résultat de l'ajustement rapide soit un nouvel actif de modèle ajusté, le modèle ajusté rapidement ajoute simplement une couche de fonction qui s'exécute avant que l'entrée ne soit traitée par le modèle de base sous-jacent. Lorsque vous effectuez un réglage rapide d'un modèle, le modèle de base sous-jacent n'est pas modifié, ce qui signifie qu'il peut être utilisé pour répondre à différents besoins commerciaux sans être réentraîné à chaque fois. Par conséquent, vous réduisez les besoins de calcul et les coûts d'inférence. Voir Réglage rapide.

Sujet parent : Réglage des modèles de fondation