Addestrare modelli di IA e ML

Questa sezione illustra come eseguire il training di modelli di apprendimento automatico e intelligenza artificiale in Mosaic AI.

Il sistema di training del Modello Mosaic di Intelligenza Artificiale semplifica e unifica il processo di formazione e distribuzione di modelli di Machine Learning tradizionali tramite carichi di lavoro di AutoML e di ottimizzazione di modelli di base.

AutoML

AutoML semplifica il processo di applicazione di Machine Learning ai set di dati individuando automaticamente l'algoritmo e la configurazione degli iperparametri migliori. AutoML offre un'interfaccia utente senza codice e un'API Python.

Ottimizzazione del modello di base

L'ottimizzazione del modello di base (ora parte di Mosaic AI Model Training) in Databricks consente di personalizzare modelli linguistici di grandi dimensioni usando i propri dati. Questo processo comporta l'ottimizzazione del training di un modello di base preesistente, riducendo significativamente i dati, il tempo e le risorse di calcolo necessarie rispetto al training di un modello da zero. Le funzionalità principali includono:

• Perfezionamento tramite istruzioni: Adatta il tuo modello alle nuove attività eseguendo l'addestramento su dati strutturati di prompt-response.
• Pre-training continuo: Migliora il tuo modello con dati di testo aggiuntivi per integrare nuove conoscenze o concentrarti su un dominio specifico.
• Completamento della chat: addestrare il modello sui log delle conversazioni per migliorare le capacità conversazionali.

Esempi di libreria open source

Si veda esempi di training di apprendimento automatico da un'ampia gamma di librerie di Machine Learning open source, tra cui esempi di ottimizzazione degli iperparametri usando Optuna e Hyperopt.

Apprendimento Profondo

Si vedano esempi e procedure consigliate per il training di Deep Learning distribuito in modo da poter sviluppare e ottimizzare i modelli di Deep Learning in Azure Databricks.

Raccomandanti

Informazioni su come eseguire il training di modelli di raccomandazione basati su Deep Learning in Azure Databricks. Rispetto ai modelli di raccomandazione tradizionali, i modelli di Deep Learning possono ottenere risultati di qualità superiore e adattarsi a grandi quantità di dati.