Introduzione

  • 4 minuti

I modelli di base sono modelli sottoposti a training preliminare che offrono un ottimo punto di partenza. Usando un modello di base, è possibile risparmiare tempo e sforzi perché sono necessari meno dati per eseguire il training per il caso d'uso specifico di Machine Learning.

Si supponga di essere un data scientist che lavora per un'agenzia di prenotazioni alberghiere. Quando i clienti esaminano diversi hotel, uno dei fattori più importanti per decidere quale hotel prenotare sono le recensioni di altri viaggiatori.

In qualità di data scientist, è possibile estrarre informazioni dettagliate dalle recensioni degli hotel per scoprire perché alcuni hotel sono preferiti rispetto ad altri. Per estrarre informazioni dalle recensioni di hotel, è possibile usare LLM (Large Language Model) progettati per l'elaborazione del linguaggio naturale (Natural Language Processing, NLP).

LLM sfrutta le tecniche di Deep Learning per comprendere e generare il linguaggio umano. Deep Learning è un sottocampo di Machine Learning che prevede il training di reti neurali artificiali con più livelli per estrarre modelli gerarchici e rappresentazioni dai dati. Il training delle reti neurali può essere costoso perché richiede volumi elevati di dati e risorse di calcolo avanzate.

Invece di eseguire il training del proprio LLM da zero, è possibile usare un modello con training preliminare ottimizzato usando i propri dati. Si supponga di voler rilevare il sentiment nelle recensioni degli hotel. Si potrebbe voler classificare eventuali recensioni appena pubblicate che descrivono l'hotel come pessimo, nella media o eccellente. È possibile usare un piccolo set di recensioni di hotel categorizzate per ottimizzare un modello di base con training preliminare.

Questo modulo illustra come ottimizzare un modello di base del catalogo dei modelli in Azure Machine Learning.

Obiettivi di apprendimento

Contenuto del modulo

  • Quando ottimizzare un modello di base dal catalogo dei modelli.
  • Ottimizzare un modello di base.
  • Distribuire e testare un modello ottimizzato.