Introduction
Les modèles de base sont des modèles préentraînés qui vous fournissent un bon point de départ. En utilisant un modèle de base, vous pouvez économiser du temps et des efforts, car vous avez besoin de moins de données pour entraîner un modèle pour votre cas d’usage de machine learning spécifique.
Imaginez que vous êtes scientifique Données et que vous travaillez pour une agence de réservation d’hôtels. Quand les clients parcourent différents hôtels, un des facteurs les plus importants dans le choix de l’hôtel à réserver sont les commentaires d’autres voyageurs.
En tant que scientifique Données, vous voulez extraire des insights des avis sur les hôtels pour savoir pourquoi certains hôtels sont préférés à d’autres. Pour extraire des informations des avis sur les hôtels, vous pouvez utiliser des grands modèles de langage (LLM, Large Language Model) qui sont conçus pour le traitement en langage naturel (NLP, Natural Language Processing).
Les grands modèles de langage tirent parti de techniques de deep learning pour comprendre et générer du langage humain. Le deep Learning est un sous-domaine du machine learning qui implique l’entraînement de réseaux neuronaux artificiels avec plusieurs couches pour extraire des modèles hiérarchiques et des représentations à partir de données. L’entraînement des réseaux neuronaux peut être coûteux, car il nécessite des volumes élevés de données et un calcul puissant.
Au lieu d’entraîner votre propre grand modèle de langage à partir de zéro, vous pouvez utiliser un modèle préentraîné que vous optimisez en utilisant vos propres données. Imaginez que vous voulez détecter les sentiments dans les avis sur les hôtels. Vous pouvez catégoriser les avis nouvellement publiés pour décrire l’hôtel comme « terrible », « moyen » ou « excellent ». Vous pouvez utiliser un petit ensemble d’avis sur les hôtels catégorisés pour optimiser un modèle de base préentraîné.
Dans ce module, vous découvrez comment optimiser un modèle de base provenant du catalogue de modèles dans Azure Machine Learning.
Objectifs d’apprentissage
Dans ce module, vous allez découvrir comment :
- Quand optimiser un modèle de base provenant du catalogue de modèles.
- Optimiser un modèle de base.
- Déployer et tester un modèle optimisé.