はじめに
基盤モデルはトレーニング済みのモデルであり、始点として最適です。 基礎モデルを使用すると、特定の機械学習ユース ケースでモデルをトレーニングするとき、必要なデータが少なくなり、時間と労力が節約されます。
あなたは、ホテルを予約する代理店で働いているデータ サイエンティストです。 顧客がホテルを探しているとき、予約するホテルを決定するための重要な要因となるのが他の旅行者が投稿したレビューです。
データ サイエンティストとしてあなたは、ホテルのレビューから分析情報を抽出し、特定のホテルが他のホテルよりも優先される理由を見つけようとするでしょう。 ホテルのレビューから情報を抽出するために、自然言語処理 (NLP) 向けに設計された 大規模言語モデル (LLM) を使用できます。
LLM はディープ ラーニング手法を活用し、人間の言語を理解し、生成するものです。 ディープ ラーニングは機械学習の下位分野であり、複数の層がある人工のニューラル ネットワークをトレーニングし、データから階層的なパターンと表現を抽出します。 ニューラル ネットワークのトレーニングには大量のデータとパワフルな計算処理能力が必要であり、高額になる可能性があります。
独自の LLM を一からトレーニングする代わりに、トレーニング済みのモデルを利用し、それを独自のデータで微調整できます。 あなたは、ホテルのレビューでセンチメントを検出するとします。 たとえば、新しく投稿されたレビューに含まれるホテルの感想を「ひどい」、「普通」、「すばらしい」に分類します。 分類後のレビューを少しばかり利用し、トレーニング済みの基礎モデルを微調整できます。
このモジュールでは、Azure Machine Learning でモデル カタログからの基礎モデルを微調整する方法を学習します。
学習の目的
このモジュールでは、次の方法を学習します。
- モデル カタログからの基礎モデルを微調整するタイミング。
- 基盤モデルを微調整する。
- 微調整後のモデルをデプロイし、テストする。