Introdução
Os modelos de fundação 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 aprendizado de máquina.
Imagine que você é um cientista de dados trabalhando para uma agência de reservas de hotéis. Quando os clientes navegam por diferentes hotéis, um dos fatores mais importantes para decidir qual hotel reservar são as avaliações de outros viajantes.
Como cientista de dados, você pode querer extrair informações das avaliações de hotéis para descobrir por que determinados hotéis são preferidos em relação a outros. Para extrair informações de avaliações de hotéis, você pode usar LLMs (Large Language Models) projetados para Processamento de Linguagem Natural (NLP).
Os LLMs aproveitam técnicas de aprendizagem profunda para entender e gerar linguagem humana. Deep learning 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 poderosa.
Em vez de treinar seu próprio LLM do zero, você pode usar um modelo pré-treinado que você ajusta usando seus próprios dados. Imagine que você quer detetar sentimentos nas avaliações de hotéis. Você pode categorizar as avaliações recém-publicadas como descrevendo o hotel como terrível, médio ou excelente. Você pode usar um pequeno conjunto de avaliações categorizadas de hotéis para ajustar um modelo de fundação pré-treinado.
Neste módulo, você aprenderá a ajustar um modelo básico do catálogo de modelos no Azure Machine Learning.
Objetivos de aprendizagem
Neste módulo, você aprenderá a:
- Quando ajustar um modelo de base do catálogo de modelos.
- Ajuste um modelo de fundação.
- Implante e teste um modelo ajustado.