Introdução
Modelos de base são modelos pré-treinados que fornecem um ótimo ponto de partida. Usando um modelo de base, você pode economizar tempo e esforço, pois precisa de menos dados para treinar um modelo para seu caso de uso específico de machine learning.
Imagine que você é um cientista de dados que trabalha para uma empresa de reservas de hotel. Quando os clientes navegam por diferentes hotéis, um dos fatores mais importantes para decidir qual hotel reservar são as resenhas de outros viajantes.
Como cientista de dados, talvez você queira extrair insights das resenhas de hotel para descobrir por que certos hotéis são preferenciais com relação a outros. Para extrair informações de resenhas de hotéis, você pode usar LLMs (modelos de linguagem grandes) projetados para NLP (processamento de linguagem natural).
Os LLMs aproveitam técnicas de aprendizado profundo para entender e gerar linguagem humana. Aprendizado profundo é um subcampo do aprendizado de máquina que envolve o treinamento de redes neurais artificiais com várias camadas para extrair padrões hierárquicos e representações de dados. O treinamento de redes neurais pode ser caro, pois requer grandes volumes de dados e computação avançada.
Em vez de treinar seu LLM do zero, você pode usar um modelo pré-treinado que ajusta usando seus dados. Imagine que você deseja detectar sentimento em resenhas de hotéis. Talvez você queira categorizar resenhas recém-postadas como descrevendo o hotel como terrível, médio ou excelente. Você pode usar um pequeno conjunto de resenhas de hotéis categorizadas para ajustar um modelo de base pré-treinado.
Neste módulo, aprenda a ajustar um modelo de base do catálogo de modelos no Azure Machine Learning.
Objetivos de aprendizagem
Neste módulo, você saberá como:
- Quando ajustar um modelo de base do catálogo de modelos.
- Ajustar um modelo de base .
- Implantar e testar um modelo ajustado.