Trainieren von KI-Modellen

In diesem Abschnitt erfahren Sie, wie Sie maschinelles Lernen und KI-Modelle für Mosaik AI trainieren.

Mosaik AutoML

Mosaik AutoML vereinfacht den Prozess der Anwendung des maschinellen Lernens auf Ihre Datasets, indem automatisch die beste Algorithmus- und Hyperparameterkonfiguration für Sie gefunden wird. AutoML bietet ein Low-Code-UI sowie eine Python-API.

Training von Mosaic AI-Modellen

Mit Mosaic AI Model-Training (vormals Foundation Model Training) in Databricks können Sie Large Language Models (LLMs) mithilfe Ihrer eigenen Daten anpassen. Dieser Prozess umfasst eine Optimierung des Trainings eines bereits vorhandenen Foundation Models. Dies führt dazu, dass im Vergleich zum Training eines Modells von Grund auf erheblich weniger Daten, Zeit und Computeressourcen erforderlich sind. Hauptfeatures sind:

• Überwachte Optimierung: Passen Sie Ihr Modell an neue Aufgaben an, indem Sie es mit strukturierten Antwortdaten für Prompts trainieren.
• Fortlaufendes Vorabtraining: Verbessern Sie Ihr Modell mit zusätzlichen Textdaten, um neue Kenntnisse hinzuzufügen oder sich auf einen bestimmten Themenbereich zu konzentrieren.
• Chatvervollständigung: Trainieren Sie Ihr Modell mit Chatprotokollen, um die Konversationsfähigkeiten zu verbessern.

Beispiele für Open Source-Bibliotheken

Sehen Sie sich Trainingsbeispiele für maschinelles Lernen aus einer Vielzahl von Open Source-Learning-Bibliotheken an, darunter Beispiele für die Hyperparameteroptimierung mit Optuna und Hyperopt.

Deep Learning

Sehen Sie sich Beispiele und bewährte Methoden für verteiltes Deep Learning-Training an, damit Sie Deep Learning-Modelle in Azure Databricks entwickeln und optimieren können.

Empfehlungssystem

Erfahren Sie, wie Sie Deep-Learning-basierte Empfehlungsmodelle für Azure Databricks trainieren. Im Vergleich zu herkömmlichen Empfehlungsmodellen können Deep Learning-Modelle qualitativ höherwertige Ergebnisse erzielen und auf größere Datenmengen skaliert werden.