Démarrage rapide: Optimisation d'un modèle de base
Il y a deux raisons pour ajuster votre modèle de base. En ajustant un modèle sur de nombreux exemples libellés, vous pouvez améliorer les performances du modèle par rapport à l'ingénierie des invites uniquement. En ajustant un modèle de base pour qu'il soit similaire à un modèle plus grand dans la même famille de modèles, vous pouvez réduire les coûts en déployant ce modèle plus petit.
- Services requis
- Watson Studio
- Watson Machine Learning
Votre flux de travaux de base inclut les tâches suivantes :
- Ouvrez un projet. Les projets sont l'endroit où vous collaborez avec d'autres personnes sur les données.
- Ajoutez vos données au projet. Vous pouvez télécharger des fichiers de données ou ajouter des données à partir d'une source de données distante via une connexion.
- Créez une expérimentation d'optimisation dans le projet. L'expérimentation d'optimisation utilise le générateur d'expérimentation Tuning Studio .
- Passez en revue les résultats de l'expérimentation et du modèle optimisé. Les résultats incluent un graphique de fonction de perte et les détails du modèle optimisé.
- Déployez et testez votre modèle optimisé. Testez votre modèle dans le laboratoire d'invite.
En savoir plus sur l'ajustement d'un modèle de base
L'ajustement d'invite ajuste le contenu de l'invite transmise au modèle. Le modèle de base sous-jacent et ses paramètres ne sont pas édités. Seule l'entrée d'invite est modifiée. Vous pouvez optimiser un modèle à l'aide de Tuning Studio pour guider un modèle de base d'IA afin de renvoyer la sortie souhaitée.
Regardez cette vidéo pour voir quand et pourquoi vous devriez optimiser un modèle de base.
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Regardez une vidéo sur l'optimisation d'un modèle de base
Regardez cette vidéo pour prévisualiser les étapes de ce tutoriel. Il peut y avoir de légères différences dans l'interface utilisateur affichée dans la vidéo. La vidéo est destinée à être un compagnon du tutoriel écrit.
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Essayez un tutoriel pour optimiser un modèle de base
Dans ce tutoriel, vous exécutez les tâches suivantes :
- Tâche 1: Ouvrir un projet
- Tâche 2: Tester votre modèle de base
- Tâche 3: Ajouter vos données au projet
- Tâche 4: Créer une expérimentation d'optimisation dans le projet
- Tâche 5: Configurer l'expérimentation d'optimisation
- Tâche 6: Déployer votre modèle optimisé dans un espace de déploiement
- Tâche 7: Tester votre modèle optimisé
Conseils pour l'exécution de ce tutoriel
Voici quelques conseils pour réussir ce tutoriel.
Utiliser la vidéo image-in-picture
L'image animée suivante montre comment utiliser les fonctions d'image vidéo et de table des matières:
Obtenir de l'aide dans la communauté
Si vous avez besoin d'aide pour ce tutoriel, vous pouvez poser une question ou trouver une réponse dans le forum de discussion de la communautéwatsonx.
Configurez les fenêtres de votre navigateur
Pour une expérience optimale lors de l'exécution de ce tutoriel, ouvrez Cloud Pak for Data dans une fenêtre de navigateur et laissez cette page de tutoriel ouverte dans une autre fenêtre de navigateur pour basculer facilement entre les deux applications. Envisagez d'organiser les deux fenêtres du navigateur côte à côte pour faciliter le suivi.
Tâche 1: Ouvrir un projet
Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:04.
Vous avez besoin d'un projet pour stocker l'expérimentation d'optimisation. Regardez une vidéo pour voir comment créer un projet de bac à sable et associer un service. Suivez ensuite les étapes pour vérifier que vous disposez d'un projet existant ou que vous créez un projet.
Vérifier un projet existant ou créer un nouveau projet
A partir de l'écran d'accueil watsonx , faites défiler l'écran jusqu'à la section Projects . Si vous voyez des projets répertoriés, passez à Associer le service Watson Machine Learning.
Si vous ne voyez aucun projet, vous pouvez regarder cette vidéo, puis suivre les étapes de création d'un projet.
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Cliquez sur Créer un projet de bac à sable. Une fois le projet créé, le bac à sable apparaît dans la section Projets .
Ouvrez un projet existant ou le nouveau projet de bac à sable.
Associez le service Watson Machine Learning au projet
Vous utilisez Watson Machine Learning pour optimiser le modèle de base. Par conséquent, suivez ces étapes pour associer votre instance de service Watson Machine Learning à votre projet.
Dans le projet, cliquez sur l'onglet Gérer .
Cliquez sur la page Services et intégrations .
Vérifiez si un service Watson Machine Learning est associé à ce projet. Si aucun service n'est associé, procédez comme suit:
Cliquez sur Associer un service.
Cochez la case en regard de votre instance de service Watson Machine Learning .
Cliquez sur Associer.
Si nécessaire, cliquez sur Annuler pour revenir à la page Services & Intégrations .
Pour plus d'informations ou pour regarder une vidéo, voir Création d'un projet et Ajout de services associés à un projet.
Vérifiez votre progression
L'image suivante montre l'onglet Gérer avec le service associé. Vous êtes maintenant prêt à ajouter l'exemple de bloc-notes à votre projet.
Tâche 2: Tester votre modèle de base
Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:19.
Vous pouvez tester votre modèle optimisé dans Prompt Lab. Procédez comme suit pour tester votre modèle optimisé:
Sélectionnez votre modèle optimisé.
- Cliquez sur la liste déroulante des modèles et sélectionnez Afficher tous les modèles de base.
- Sélectionnez le modèle flan-t5-xl-3b .
- Cliquez sur Sélectionner un modèle.
Dans la page Mode structuré , entrez l' instruction:
Summarize customer complaints
Fournissez les exemples et l'entrée de test.
Exemple d'entrée et de sortie Exemple d'entrée Exemple de sortie J'ai oublié dans ma date initiale que j'utilisais Capital One et cette dette était entre leurs mains et n'a jamais été faite. Recouvrement de créances, sous-produit: dette par carte de crédit, émission: a pris ou menacé de prendre des mesures négatives ou légales sous-émission Je suis victime d'un vol d'identité et cette dette ne m'appartient pas. Veuillez consulter le rapport sur le vol d'identité et l'affidavit juridique. Recouvrement de créances, dub-produit, je ne sais pas, problème. les tentatives de recouvrement des créances non dues. la dette à l'émission secondaire est le résultat d'un vol d'identité Dans la zone de texte Try , copiez et collez l'invite suivante:
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.
Cliquez sur Généreret passez en revue les résultats.
Cliquez sur Sauvegarder le travail > Sauvegarder sous.
Sélectionnez Modèle d'invite.
Pour le nom, entrez
Base model prompt
.Sélectionnez Afficher dans le projet après avoir sauvegardé.
Cliquez sur Sauvegarder.
Vérifiez votre progression
L'image suivante montre les résultats dans Prompt Lab.
Tâche 3: Ajouter vos données au projet
Pour prévisualiser cette tâche, regardez la vidéo à partir de 01:12.
Vous devez ajouter les données d'entraînement à votre projet. Sur la page du concentrateur de ressources, vous pouvez trouver le jeu de données sur les plaintes des clients. Cet ensemble de données inclut des données fictives sur les plaintes courantes des clients concernant les rapports de crédit. Procédez comme suit pour ajouter l'ensemble de données du concentrateur de ressources au projet:
- Accédez au fichier de plaintes du client sur la page du concentrateur de ressources.
- Cliquez sur Ajouter au projet.
- Sélectionnez votre projet de bac à sable.
- Cliquez sur Ajouter.
- Cliquez sur Afficher le projet pour afficher l'actif dans votre projet.
Vérifiez votre progression
L'image suivante montre l'actif de données ajouté au projet. L'étape suivante consiste à créer l'expérimentation d'optimisation.
Tâche 4: Créer une expérimentation d'optimisation dans le projet
Pour prévisualiser cette tâche, regardez la vidéo à partir de 01:32.
Vous êtes maintenant prêt à créer une expérimentation d'optimisation dans votre projet de bac à sable qui utilise l'ensemble de données que vous venez d'ajouter au projet. Pour créer une expérimentation d'optimisation, procédez comme suit:
Revenez à l'écran d'accueil watsonx .
Vérifiez que votre projet de bac à sable est sélectionné.
Cliquez sur Optimiser un modèle de base avec des données étiquetées.
Pour le nom, entrez:
Summarize customer complaints tuned model
Pour la description, entrez:
Tuning Studio experiment to tune a foundation model to handle customer complaints.
Cliquez sur Créer. Tuning Studio s'affiche.
Vérifiez votre progression
L'image suivante montre l'expérimentation d'optimisation ouverte dans Tuning Studio. Vous êtes maintenant prêt à configurer l'expérimentation d'optimisation.
Tâche 5: Configurer l'expérimentation d'optimisation
Pour prévisualiser cette tâche, regardez la vidéo qui commence à 01:47.
Dans Tuning Studio, vous pouvez configurer l'expérimentation d'optimisation. Le modèle de base à optimiser est terminé pour vous. Pour configurer l'expérimentation d'optimisation, procédez comme suit:
Pour que le modèle de base soit optimisé, sélectionnez flan-t5-xl-3b.
Sélectionnez Texte pour la méthode d'initialisation de l'invite. Deux options sont possibles :
- Texte: utilise le texte que vous spécifiez.
- Aléatoire: utilise les valeurs qui sont générées pour vous dans le cadre de l'expérimentation d'optimisation.
Pour la zone Texte , entrez:
Summarize the complaint provided into one sentence.
Le tableau suivant présente un exemple de texte pour chaque type de tâche:
titre Type de tâche Exemple Classification Déterminer si le sentiment de chaque commentaire est positif ou négatif Génération Faites le nécessaire pour permettre aux employés de travailler à domicile quelques jours par semaine Récapitulation Récapituler les points principaux d'une retranscription de réunion Sélectionnez Synthèse pour le type de tâche qui correspond le plus à ce que le modèle doit faire. Il existe trois types de tâche:
- Summarization génère du texte qui décrit les principales idées exprimées dans un corps de texte.
- Génération génère du texte, tel qu'un e-mail promotionnel.
- Classification prévoit les libellés catégoriels des fonctions. Par exemple, si vous utilisez un ensemble de commentaires client, vous souhaiterez peut-être étiqueter chaque instruction comme une question ou un problème. Lorsque vous utilisez la tâche de classification, vous devez répertorier les libellés de classe que le modèle doit utiliser. Spécifiez les mêmes libellés que ceux utilisés dans vos données d'apprentissage d'optimisation.
Sélectionnez vos données d'entraînement dans le projet.
- Cliquez sur Sélectionner dans le projet.
- Cliquez sur Actif de données.
- Sélectionnez le fichier customer plaintes training data.json .
- Cliquez sur Sélectionner un actif.
- Cliquez sur Démarrer l'optimisation.
Vérifiez votre progression
L'image suivante montre l'expérimentation d'optimisation configurée. Passez ensuite en revue les résultats et déployez le modèle optimisé.
Tâche 6: Déployer votre modèle optimisé dans un espace de déploiement
Pour prévisualiser cette tâche, regardez la vidéo qui commence à 03:17.
Une fois l'exécution de l'expérimentation terminée, vous voyez le modèle optimisé et le graphique de la fonction de perte. La fonction de perte mesure la différence entre les résultats prévus et les résultats réels à chaque entraînement. Pour afficher le graphique de la fonction de perte et le modèle optimisé, procédez comme suit:
Passez en revue le graphique de la fonction de perte. Une courbe en pente descendante signifie que le modèle est en train de mieux générer la sortie attendue.
Sous le graphique, cliquez sur le modèle optimisé Récapituler les plaintes des clients .
Faites défiler les détails du modèle.
Cliquez sur Deploy.
Pour le nom, tapez :
Summarize customer complaints tuned model
Pour le Conteneur de déploiement, sélectionnez Espace de déploiement.
Pour l' espace de déploiement cible, sélectionnez un espace de déploiement existant. Si vous ne disposez pas d'un espace de déploiement existant, procédez comme suit:
- Pour l' espace de déploiement cible, sélectionnez Créer un nouvel espace de déploiement.
- Pour le nom de l'espace de déploiement, tapez :
Foundation models deployment space
- Sélectionnez un service de stockage dans la liste.
- Sélectionnez votre service d'apprentissage automatique mis à disposition dans la liste.
- Cliquez sur Créer.
- Cliquez sur Fermer.
- Pour l' espace de déploiement cible, vérifiez que Espace de déploiement des modèles Foundation est sélectionné.
Cochez l'option Afficher le déploiement dans l'espace de déploiement après la création .
Cliquez sur Créer.
Sur la page Déploiements , cliquez sur le déploiement Récapituler le modèle optimisé des plaintes des clients pour afficher les détails.
Vérifiez vos progrès
L'image suivante montre le déploiement dans l'espace de déploiement. Vous êtes maintenant prêt à tester le modèle déployé.
Tâche 7: Tester votre modèle optimisé
Pour avoir un aperçu de cette tâche, regardez la vidéo à partir de 04:04.
Vous pouvez tester votre modèle optimisé dans Prompt Lab. Procédez comme suit pour tester votre modèle optimisé:
Sur la page de déploiement de modèle, cliquez sur Ouvrir dans le lab d'invite, puis sélectionnez votre projet de bac à sable. L'invite du lab s'affiche.
Sélectionnez votre modèle optimisé.
- Cliquez sur la liste déroulante des modèles et sélectionnez Afficher tous les modèles de base.
- Sélectionnez le modèle Résumé des plaintes des clients-Modèle optimisé .
- Cliquez sur Sélectionner un modèle.
Dans la page Mode structuré , entrez l' instruction:
Summarize customer complaints
Dans la page Mode structuré , fournissez les exemples et l'entrée de test.
Exemple d'entrée et de sortie Exemple d'entrée Exemple de sortie J'ai oublié dans ma date initiale que j'utilisais Capital One et cette dette était entre leurs mains et n'a jamais été faite. Recouvrement de créances, sous-produit: dette par carte de crédit, émission: a pris ou menacé de prendre des mesures négatives ou légales sous-émission Je suis victime d'un vol d'identité et cette dette ne m'appartient pas. Veuillez consulter le rapport sur le vol d'identité et l'affidavit juridique. Recouvrement de créances, dub-produit, je ne sais pas, problème. les tentatives de recouvrement des créances non dues. la dette à l'émission secondaire est le résultat d'un vol d'identité Dans la zone de texte Try , copiez et collez l'invite suivante:
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.
Cliquez sur Généreret passez en revue les résultats.
Vérifiez vos progrès
L'image suivante montre les résultats dans Prompt Lab.
Etapes suivantes
Essayez les autres tutoriels suivants:
Ressources supplémentaires
Afficher plus de vidéos.
Recherchez des exemples d'ensembles de données, de projets, de modèles, d'invites et de blocs-notes dans le concentrateur de ressources pour acquérir une expérience pratique:
Notebooks que vous pouvez ajouter à votre projet pour commencer à analyser des données et à construire des modèles.
Projets que vous pouvez importer et qui contiennent des carnets de notes, des ensembles de données, des invites et d'autres ressources.
Ensembles de données que vous pouvez ajouter à votre projet pour affiner, analyser et construire des modèles.
Prompts que vous pouvez utiliser dans le Laboratoire de Prompt pour demander un modèle de fondation.
Modèles de base que vous pouvez utiliser dans le laboratoire de l'invite.
Rubrique parent: Tutoriels de démarrage rapide