Uzyskiwanie uzupełniania z modeli przy użyciu monitów
Po wdrożeniu modelu możesz przetestować sposób wykonywania monitów. Monit to tekstowa część żądania, która jest wysyłana do punktu końcowego uzupełniania wdrożonego modelu. Odpowiedzi są określane jako uzupełnienia, które mogą mieć postać tekstu, kodu lub innych formatów.
Typy monitów
Monity można pogrupować w typy żądań na podstawie zadania.
| Typ zadania | Przykład monitu | Przykład ukończenia |
|---|---|---|
| Klasyfikowanie zawartości | Tweet: Podobała mi się podróż. Opinia: |
Pozytywna |
| Generowanie nowej zawartości | Wyświetlanie listy sposobów podróży | 1. Rower 2. Samochód ... |
| Trzymanie konwersacji | Przyjazny asystent sztucznej inteligencji | Zobacz przykłady |
| Przekształcanie (tłumaczenie i konwersja symboli) | Angielski: Witaj Francuski: |
Bonjour |
| Podsumowywanie zawartości | Podaj podsumowanie zawartości {text} |
Zawartość udostępnia metody uczenia maszynowego. |
| Pobieranie miejsca, w którym zostało przerwane | Jednym ze sposobów na uprawę pomidorów | jest rośliną nasiona. |
| Udzielanie faktycznych odpowiedzi | Ile księżyców ma Ziemia? | Jeden |
Jakość ukończenia
Kilka czynników wpływa na jakość uzupełniania uzyskanych z generowania rozwiązania sztucznej inteligencji.
- Sposób, w jaki monit jest inżynierowany. Dowiedz się więcej na temat inżynierii monitów tutaj.
- Parametry modelu (omówione poniżej)
- Dane, na których jest trenowany model, które można dostosować za pomocą dostrajania modelu przy użyciu dostosowywania
Masz większą kontrolę nad ukończeniami zwracanym przez trenowanie modelu niestandardowego niż przez inżynierię monitu i korektę parametrów.
Wykonywanie połączeń
Możesz rozpocząć wykonywanie wywołań do wdrożonego modelu za pośrednictwem interfejsu API REST, języka Python, języka C# lub programu Studio. Jeśli wdrożony model ma bazę modelu GPT-3.5 lub GPT-4, skorzystaj z dokumentacji uzupełniania czatu, która zawiera różne punkty końcowe żądań i zmienne wymagane niż w przypadku innych modeli bazowych.