Um eine Vorschau auf diese Aufgabe zu erhalten, sehen Sie sich das Video ab 00:04 an.

Sie benötigen ein Projekt, um das Optimierungsexperiment speichern zu können. Sehen Sie sich ein Video an, um zu sehen, wie ein Sandboxprojekt erstellt und ein Service zugeordnet wird. Führen Sie dann die Schritte aus, um zu überprüfen, ob ein Projekt vorhanden ist, oder um ein Projekt zu erstellen.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 00:19 an.

Sie können Ihr optimiertes Modell im Eingabeaufforderungslabor testen. Führen Sie die folgenden Schritte aus, um Ihr optimiertes Modell zu testen:

1. Kehren Sie zur Hauptanzeige von watsonx zurück.

2. Überprüfen Sie, ob Ihr Sandboxprojekt ausgewählt ist.

   

3. Klicken Sie auf die Kachel Eingabeaufforderung Labor öffnen.

4. Wählen Sie Ihr optimiertes Modell aus.

   1. Klicken Sie auf die Dropdown-Liste für Modelle und wählen Sie Alle Basismodelle anzeigenaus.
   2. Wählen Sie das Modell granite-13b-instruct-v2.
   3. Klicken Sie auf Modell auswählen.

5. Klicken Sie auf die Registerkarte Strukturiert.

6. Geben Sie als Anweisung ein:

   Summarize customer complaints
   

7. Geben Sie die Beispiele und die Testeingabe an.

   Beispieleingabe und -ausgabe

   Beispieleingabe	Beispielausgabe
   Ich vergaß in meinem Anfangsdatum, dass ich Capital One benutzte und diese Schuld war in ihren Händen und wurde nie getan.	Eintreibung von Schulden, Unterprodukt: Kreditkartenschulden, Ausgabe: nahm oder bedroht negative oder rechtliche Schritte Unterausgabe
   Ich bin Opfer von Identitätsdiebstahl und diese Schulden gehören mir nicht. Bitte beachten Sie den Identitätsdiebstahlbericht und die rechtliche Erklärung.	Forderungseinzug, Teilprodukt, ich weiß nicht, Thema. Versuche, Schulden einzutreiben, die nicht geschuldet sind. Sub-Issue Schulden war ein Ergebnis des Identitätsdiebstahls

   
   

8. Kopieren Sie im Textfeld Try die folgende Eingabeaufforderung und fügen Sie sie ein:

   After I reviewed my credit report, I am still seeing information that is reporting on my credit file that is not mine. please help me in getting these items removed from my credit file.
   

9. Klicken Sie auf Generierenund überprüfen Sie die Ergebnisse. Notieren Sie die Ausgabe für das Basismodell, damit Sie diese Ausgabe mit der Ausgabe des getunten Modells vergleichen können.

10. Klicken Sie auf Arbeit speichern > Speichern unter.

11. Wählen Sie Vorlage für Eingabeaufforderungaus.

12. Geben Sie als Namen Base model prompt ein.

13. Wählen Sie für die Aufgabe Verdichtung.

14. Wählen Sie Nach dem Speichern im Projekt anzeigenaus.

15. Klicken Sie auf Speichern.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 01:12 an.

Sie müssen die Trainingsdaten zu Ihrem Projekt hinzufügen. Auf der Seite 'Ressourcenhub' finden Sie das Dataset 'Kundenbeschwerden'. Dieses Dataset enthält fiktive Daten zu typischen Kundenbeschwerden in Bezug auf Kreditberichte. Führen Sie die folgenden Schritte aus, um das Dataset aus dem Ressourcenhub zum Projekt hinzuzufügen:

1. Greifen Sie auf den Datensatz Kundenbeschwerden auf der Seite Ressourcendrehscheibe zu.
2. Klicken Sie auf Zum Projekt hinzufügen.
3. Wählen Sie Ihr Sandbox-Projekt aus.
4. Klicken Sie auf Hinzufügen.
5. Klicken Sie auf Projekt anzeigen , um das Asset in Ihrem Projekt anzuzeigen.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 01:32 an.

Jetzt können Sie ein Optimierungsexperiment in Ihrem Sandboxprojekt erstellen, das das Dataset verwendet, das Sie soeben zum Projekt hinzugefügt haben. Führen Sie die folgenden Schritte aus, um ein Optimierungsexperiment zu erstellen:

1. Kehren Sie zur Hauptanzeige von watsonx zurück.

2. Überprüfen Sie, ob Ihr Sandboxprojekt ausgewählt ist.

   

3. Klicken Sie auf Tune ein foundation model mit beschrifteten Daten.

4. Geben Sie als Namen Folgendes ein:

   Summarize customer complaints tuned model
   

5. Geben Sie für die Beschreibung Folgendes ein:

   Tuning Studio experiment to tune a foundation model to handle customer complaints.
   

6. Klicken Sie auf Erstellen. Tuning Studio wird angezeigt.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 01:47 an.

In Tuning Studiokönnen Sie das Optimierungsexperiment konfigurieren. Das foundation model zum Tunen ist für Sie fertiggestellt. Führen Sie die folgenden Schritte aus, um das Optimierungsexperiment zu konfigurieren:

1. Klicken Sie für das abzustimmende foundation model auf Wählen Sie ein foundation model.

   1. Wählen Sie granite-13b-instruct-v2.

   2. Klicken Sie auf Auswählen.

2. Wählen Sie Text als Methode zum Initialisieren der Eingabeaufforderung aus. Es gibt zwei Optionen:

   • Text: Verwendet von Ihnen angegebenen Text.
   • Zufällig: Verwendet Werte, die im Rahmen des Optimierungsexperiments generiert werden.

3. Geben Sie im Feld Text Folgendes ein:

   Summarize the complaint provided into one sentence.
   

   Die folgende Tabelle enthält Beispieltext für jeden Tasktyp:

   Titel

   Tasktyp	Beispiel
   Klassifikation	Klassifizieren, ob die Stimmung jedes Kommentars positiv oder negativ ist
   Generierung	Sorgen Sie dafür, dass Mitarbeiter einige Tage in der Woche von zu Hause aus arbeiten können.
   Zusammenfassung	Zusammenfassung der Hauptpunkte aus einer Besprechungsmitschrift

   
   

4. Wählen Sie Zusammenfassung für den Tasktyp aus, der dem gewünschten Modell am ehesten entspricht. Es gibt drei Tasktypen:

   • Zusammenfassung generiert Text, der die Hauptideen beschreibt, die in einem Texthauptteil ausgedrückt werden.
   • Die Generierung generiert Text, z. B. eine Werbe-E-Mail.
   • Klassifikation sagt kategoriale Beschriftungen aus Merkmalen voraus. Beispiel: Bei einer Gruppe von Kundenkommentaren können Sie jede Anweisung als Frage oder Problem beschriften. Wenn Sie die Klassifikationsaufgabe verwenden, müssen Sie die Klassenbezeichnungen auflisten, die das Modell verwenden soll. Geben Sie dieselben Bezeichnungen an, die in Ihren Trainingsdaten für die Optimierung verwendet werden.

5. Wählen Sie Ihre Trainingsdaten aus dem Projekt aus.

   1. Klicken Sie auf Aus Projekt auswählen.
   2. Klicken Sie auf Datenasset.
   3. Wählen Sie die Datei customer Beschwerden training data.json aus.
   4. Klicken Sie auf Asset auswählen.
   5. Klicken Sie auf Optimierung starten.

Um eine Vorschau auf diese Aufgabe zu erhalten, sehen Sie sich das Video ab 03:17 an.

Wenn die Ausführung des Experiments abgeschlossen ist, werden das optimierte Modell und das Diagramm der Verlustfunktion angezeigt. Die Verlustfunktion misst die Differenz zwischen vorhergesagten und tatsächlichen Ergebnissen bei jedem Trainingslauf. Führen Sie die folgenden Schritte aus, um das Verlustfunktionsdiagramm und das optimierte Modell anzuzeigen:

1. Überprüfen Sie das Diagramm der Verlustfunktion. Eine abfallende Kurve bedeutet, dass das Modell beim Generieren der erwarteten Ausgabe besser wird.

   

2. Klicken Sie unterhalb des Diagramms auf das optimierte Modell Kundenbeschwerden zusammenfassen .

3. Blättern Sie durch die Modelldetails.

4. Klicken Sie auf Bereitstellen.

5. Geben Sie den Namen ein: Summarize customer complaints tuned model

6. Wählen Sie für den Einsatzcontainer den Einsatzbereich.

7. Wählen Sie für Zielbereitstellungsbereicheinen vorhandenen Bereitstellungsbereich aus. Wenn Sie keinen vorhandenen Bereitstellungsbereich haben, führen Sie die folgenden Schritte aus:

   1. Wählen Sie für Zielbereitstellungsbereich Neuen Bereitstellungsbereich erstellenaus.
   2. Geben Sie den Namen des Bereitstellungsraums ein: Foundation models deployment space
   3. Wählen Sie einen Speicherservice aus der Liste aus.
   4. Wählen Sie Ihren bereitgestellten Machine Learning-Service aus der Liste aus.
   5. Klicken Sie auf Erstellen.
   6. Klicken Sie auf Schließen.
   7. Stellen Sie für den Zielbereitstellungsbereichsicher, dass Foundation models deployment space ausgewählt ist.

8. Aktivieren Sie die Option Bereitstellung im Bereitstellungsbereich nach Erstellung anzeigen .

9. Klicken Sie auf Erstellen.

10. Klicken Sie auf der Seite Implementierungen auf die Implementierung Summarize customer reklamationen tunedmodel , um die Details anzuzeigen.

Um eine Vorschau dieser Aufgabe zu sehen, schauen Sie sich das Video ab 04:04 an.

Sie können Ihr optimiertes Modell im Eingabeaufforderungslabor testen. Führen Sie die folgenden Schritte aus, um Ihr optimiertes Modell zu testen:

1. Klicken Sie auf der Modellbereitstellungsseite auf In Eingabeaufforderungslabor öffnenund wählen Sie dann Ihr Sandboxprojekt aus. Das Eingabeaufforderungslabor wird angezeigt.

2. Wählen Sie Ihr optimiertes Modell aus.

   1. Klicken Sie auf die Dropdown-Liste für Modelle und wählen Sie Alle Basismodelle anzeigenaus.
   2. Wählen Sie das Modell Summarize customer beschweren tuned model aus.
   3. Klicken Sie auf Modell auswählen.

3. Geben Sie auf der Seite Strukturierter Modus die Anweisungein: Summarize customer complaints

4. Geben Sie auf der Seite Strukturierter Modus die Beispiele und die Testeingabe an.

   Beispieleingabe und -ausgabe

   Beispieleingabe	Beispielausgabe
   Ich vergaß in meinem Anfangsdatum, dass ich Capital One benutzte und diese Schuld war in ihren Händen und wurde nie getan.	Eintreibung von Schulden, Unterprodukt: Kreditkartenschulden, Ausgabe: nahm oder bedroht negative oder rechtliche Schritte Unterausgabe
   Ich bin Opfer von Identitätsdiebstahl und diese Schulden gehören mir nicht. Bitte beachten Sie den Identitätsdiebstahlbericht und die rechtliche Erklärung.	Forderungseinzug, Teilprodukt, ich weiß nicht, Thema. Versuche, Schulden einzutreiben, die nicht geschuldet sind. Sub-Issue Schulden war ein Ergebnis des Identitätsdiebstahls

   
   

5. Kopieren Sie im Textfeld Try die folgende Eingabeaufforderung und fügen Sie sie ein:

   After I reviewed my credit report, I am still seeing information that is reporting on my credit file that is not mine. please help me in getting these items removed from my credit file.
   

6. Klicken Sie auf Generierenund überprüfen Sie die Ergebnisse. Vergleichen Sie die Ergebnisse des Basismodells mit den Ergebnissen des abgestimmten Modells.