다음을 통해 공유


AI 및 ML 모델 학습

이 섹션에서는 Mosaic AI에서 기계 학습 및 AI 모델을 학습시키는 방법을 보여 줍니다.

Mosaic AI 모델 학습은 AutoML 및 Foundation Model 미세 조정 워크로드를 통해 기존 ML 모델을 학습하고 배포하는 프로세스를 간소화하고 통합합니다.

AutoML

AutoML 은 최상의 알고리즘 및 하이퍼 매개 변수 구성을 자동으로 찾아 데이터 세트에 기계 학습을 적용하는 프로세스를 간소화합니다. AutoML은 Python API뿐만 아니라 코드 없는 UI도 제공합니다.

파운데이션 모델 미세 조정

Databricks에서 기본 모델 미세 조정 (현재 Mosaic AI 모델 학습의 일부)을 사용하면 사용자 고유의 데이터를 사용하여 LLM(대규모 언어 모델)을 사용자 지정할 수 있습니다. 이 프로세스에는 기존 파운데이션 모델의 학습을 미세 조정하여 모델을 처음부터 학습하는 것에 비해 필요한 데이터, 시간 및 컴퓨팅 리소스를 크게 줄입니다. 주요 기능은 다음과 같습니다.

  • 감독된 미세 조정: 구조적 프롬프트 응답 데이터를 학습하여 모델을 새 작업에 맞게 조정합니다.
  • 지속적인 사전 학습: 추가 텍스트 데이터로 모델을 향상시켜 새 지식을 추가하거나 특정 도메인에 집중합니다.
  • 채팅 완료: 대화 능력을 향상시키기 위해 채팅 로그에서 모델을 학습시킵니다.

오픈 소스 라이브러리 예제

Optuna 및 Hyperopt를 사용하는 하이퍼 매개 변수 튜닝 예제를 포함하여 다양한 오픈 소스 기계 학습 라이브러리의 기계 학습 학습 예제를 참조하세요.

딥 러닝

Azure Databricks에서 딥 러닝 모델을 개발하고 미세 조정할 수 있도록 분산된 딥 러닝 학습에 대한 예제 및 모범 사례를 참조하세요.

추천

Azure Databricks에서 딥 러닝 기반 권장 사항 모델을 학습하는 방법을 알아봅니다. 기존 권장 사항 모델에 비해 딥 러닝 모델은 더 높은 품질의 결과를 달성하고 더 많은 양의 데이터로 확장할 수 있습니다.