Inleiding
Basismodellen zijn vooraf getrainde modellen die u een goed uitgangspunt bieden. Met behulp van een basismodel kunt u tijd en moeite besparen omdat u minder gegevens nodig hebt om een model te trainen voor uw specifieke machine learning-use-case.
Stel dat u een data scientist bent die werkt voor een hotelreserveringsbureau. Wanneer klanten door verschillende hotels bladeren, is een van de belangrijkste factoren bij het bepalen van het hotel beoordelingen van andere reizigers.
Als data scientist wilt u misschien inzichten uit de hotelbeoordelingen extraheren om erachter te komen waarom bepaalde hotels de voorkeur hebben boven anderen. Als u informatie wilt extraheren uit hotelbeoordelingen, kunt u Large Language Models (LLM's) gebruiken die zijn ontworpen voor Natural Language Processing (NLP).
LLM's maken gebruik van deep learning-technieken om menselijke taal te begrijpen en te genereren. Deep Learning is een subveld van machine learning waarbij kunstmatige neurale netwerken met meerdere lagen worden getraind om hiërarchische patronen en representaties uit gegevens te extraheren. Het trainen van neurale netwerken kan kostbaar zijn omdat hiervoor grote hoeveelheden gegevens en krachtige rekenkracht nodig zijn.
In plaats van uw eigen LLM helemaal opnieuw te trainen, kunt u een vooraf getraind model gebruiken dat u nauwkeurig kunt afstemmen met uw eigen gegevens. Stel dat u sentiment in hotelbeoordelingen wilt detecteren. U kunt alle nieuw geplaatste beoordelingen categoriseren als een beschrijving van het hotel als verschrikkelijk, gemiddeld of uitstekend. U kunt een kleine set gecategoriseerde hotelbeoordelingen gebruiken om een vooraf getraind basismodel af te stemmen.
In deze module leert u hoe u een basismodel kunt verfijnen vanuit de modelcatalogus in Azure Machine Learning.
Leerdoelen
In deze module leert u het volgende:
- Wanneer kunt u een basismodel verfijnen vanuit de modelcatalogus.
- Een basismodel verfijnen.
- Implementeer en test een nauwkeurig afgestemd model.