Creare un'esecuzione di training usando l'interfaccia utente di ottimizzazione del modello foundation

Importante

Questa funzionalità è disponibile in anteprima pubblica nelle aree seguenti: centralus, eastus, eastus2, northcentralus, e westus.

Questo articolo descrive come creare e configurare un'esecuzione di training usando l'interfaccia utente di Foundation Model Fine tuning (ora parte dell'interfaccia utente di Mosaic AI Model Training). È anche possibile creare un'esecuzione usando l'API. Per istruzioni, vedere Creare un'esecuzione di training usando l'API di ottimizzazione del modello foundation.

Fabbisogno

Vedere Requisiti.

Creare un'esecuzione di training usando l'interfaccia utente

Seguire questa procedura per creare un'esecuzione di training usando l'interfaccia utente.

1. Nella barra laterale a sinistra, fare clic su Esperimenti.

2. Nella scheda Di ottimizzazione del modello di base fare clic su Create Mosaic AI Model Experiment (Crea esperimento modello di intelligenza artificiale mosaico).

   

3. Verrà aperto il modulo di ottimizzazione del modello di base . Gli elementi contrassegnati con un asterisco sono obbligatori. Effettuare le selezioni e poi cliccare su Avvia training.

   Tipo: selezionare l'attività che si desidera eseguire.

   Attività	Descrizione
   Ottimizzazione delle istruzioni	Continuare a eseguire il training di un modello di base con input di richiesta-risposta per ottimizzare il modello per un'attività specifica.
   Training preliminare continuo	Continuare a eseguire il training di un modello di base per dargli una conoscenza specifica del dominio.
   Completamento della chat	Continuare a eseguire il training di un modello di base con i log di chat per ottimizzarlo per le applicazioni di domande e risposte o di conversazione.

   Selezionare il modello di base: selezionare il modello da ottimizzare o su cui eseguire il training. Per un elenco dei modelli supportati, vedere Modelli supportati.

   Dati di training: fare clic su Sfoglia per selezionare una tabella in Unity Catalog oppure immettere l'URL completo per un set di dati Hugging Face. Per i consigli relativi alle dimensioni dei dati, vedere Dimensioni dei dati consigliate per il training del modello.

   Se si seleziona una tabella in Unity Catalog, è necessario selezionare anche il calcolo da usare per leggere la tabella.

   Registra nel percorso: selezionare il catalogo e lo schema di Unity Catalog dai menu a discesa. Il modello sottoposto a training viene salvato in questa posizione.

   Nome del modello: il modello viene salvato con questo nome nel catalogo e nello schema specificato. In questo campo viene visualizzato un nome predefinito, che è possibile modificare, se necessario.

   Opzioni avanzate: per una maggiore personalizzazione, è possibile configurare le impostazioni facoltative per la valutazione, l'ottimizzazione degli iperparametri o il training da un modello proprietario esistente.

   Impostazione	Descrizione
   Durata del training	Durata dell'esecuzione del training, specificata in periodi (ad esempio, 10ep) o token (ad esempio, 1000000tok). L’impostazione predefinita è 1ep.
   Velocità di apprendimento	Velocità di apprendimento per il training del modello. L’impostazione predefinita è 5e-7. L'ottimizzatore è DecoupledLionW con beta di 0,99 e 0,95 e nessun decadimento del peso. Il pianificatore della velocità di apprendimento è LinearWithWarmupSchedule con un riscaldamento del 2% della durata totale del training e un moltiplicatore di velocità di apprendimento finale pari a 0.
   Lunghezza del contenuto	Lunghezza di sequenza massima di un campione di dati. I dati più lunghi rispetto a questa impostazione vengono troncati. L’impostazione predefinita dipende dal modello selezionato.
   Dati di valutazione	Fare clic su Sfoglia per selezionare una tabella in Unity Catalog oppure immettere l'URL completo per un set di dati Hugging Face. Se si lascia vuoto questo campo, non viene eseguita alcuna valutazione.
   Richieste di valutazione del modello	Digitare richieste facoltative da usare per valutare il modello.
   Nome dell'esperimento	Per impostazione predefinita, per ogni esecuzione viene assegnato un nuovo nome generato automaticamente. Facoltativamente, è possibile immettere un nome personalizzato o selezionare un esperimento esistente dal menu a discesa.
   Pesi personalizzati	Per impostazione predefinita, il training inizia usando i pesi originali del modello selezionato. Per iniziare con pesi personalizzati da un checkpoint Composer, immettere il percorso della tabella di Unity Catalog che contiene i valori del checkpoint.

Passaggi successivi

Dopo il completamento dell'esecuzione del training, è possibile esaminare le metriche in MLflow e distribuire il modello per l'inferenza. Vedere i passaggi da 5 a 7 dell'esercitazione : Creare e distribuire un'esecuzione di ottimizzazione del modello di base.

Vedere il notebook demo Ottimizzazione delle istruzioni: Riconoscimento entità denominata per un esempio di ottimizzazione delle istruzioni che illustra la preparazione dei dati, l'ottimizzazione della configurazione di esecuzione del training e la distribuzione.