Trenowanie modeli sztucznej inteligencji i uczenia maszynowego
W tej sekcji przedstawiono sposób trenowania modeli uczenia maszynowego i sztucznej inteligencji na platformie Mozaika AI.
Trenowanie modelu mozaiki sztucznej inteligencji usprawnia i łączy proces trenowania i wdrażania tradycyjnych modeli uczenia maszynowego za pomocą obciążeń automatycznego uczenia maszynowego i dostrajania modelu foundation.
AutoML
Rozwiązanie AutoML upraszcza proces stosowania uczenia maszynowego do zestawów danych, automatycznie wyszukując najlepszy algorytm i konfigurację hiperparametrów. Rozwiązanie AutoML oferuje interfejs użytkownika bez kodu, a także interfejs API języka Python.
Dostrajanie modelu podstawowego
Dostrajanie modelu podstawowego (obecnie część trenowania modelu mozaiki sztucznej inteligencji) w usłudze Databricks umożliwia dostosowywanie dużych modeli językowych (LLMs) przy użyciu własnych danych. Ten proces obejmuje precyzyjne dostrajanie trenowania istniejącego modelu podstawowego, co znacznie zmniejsza ilość wymaganych danych, czasu i zasobów obliczeniowych w porównaniu do trenowania modelu od podstaw. Najważniejsze funkcje:
- Nadzorowane dostrajanie: dostosuj model do nowych zadań przez szkolenie na podstawie ustrukturyzowanych danych odpowiedzi na monity.
- Dalsze wstępne szkolenie: rozszerz model dodatkowymi danymi tekstowymi, aby dodać nową wiedzę lub skupić się na określonej domenie.
- Ukończenie czatu: wytrenuj model w dziennikach czatów, aby poprawić możliwości konwersacji.
Przykłady bibliotek typu open source
Zobacz przykłady trenowania uczenia maszynowego z szerokiej gamy bibliotek uczenia maszynowego typu open source, w tym przykłady dostrajania hiperparametrów przy użyciu optuna i funkcji Hyperopt.
Uczenie głębokie
Zapoznaj się z przykładami i najlepszymi rozwiązaniami dotyczącymi trenowania rozproszonego uczenia głębokiego, aby tworzyć i dostosowywać modele uczenia głębokiego w usłudze Azure Databricks.
Rekomendatory
Dowiedz się, jak trenować modele rekomendacji oparte na uczeniu głębokim w usłudze Azure Databricks. W porównaniu z tradycyjnymi modelami rekomendacji modele uczenia głębokiego mogą osiągać wyniki o wyższej jakości i skalować do większych ilości danych.