Träna AI- och ML-modeller

Det här avsnittet visar hur du tränar maskininlärnings- och AI-modeller i Mosaic AI.

Mosaic AI Model Training effektiviserar och förenar träningsprocessen och distribuerar traditionella ML-modeller via AutoML- och Foundation Model Finjusteringsarbetsbelastningar.

AutoML

AutoML förenklar processen med att tillämpa maskininlärning på dina datauppsättningar genom att automatiskt hitta den bästa algoritmen och hyperparameterkonfigurationen åt dig. AutoML erbjuder ett användargränssnitt utan kod samt ett Python-API.

Finjustering av grundmodell

Med grundmodellens finjustering (nu en del av Mosaic AI Model Training) i Databricks kan du anpassa stora språkmodeller (LLM: er) med dina egna data. Den här processen innebär att finjustera träningen av en befintlig grundmodell, vilket avsevärt minskar de data-, tids- och beräkningsresurser som krävs jämfört med att träna en modell från grunden. Viktiga funktioner omfattar bland annat:

• Instruktionsjustering: Anpassa modellen till nya uppgifter genom att träna på strukturerade prompt-response-data.
• Fortsatt förträning: Förbättra din modell med ytterligare textdata för att lägga till ny kunskap eller fokusera på en specifik domän.
• Slutförande av chatt: Träna din modell i chattloggar för att förbättra konversationsförmågan.

Exempel på bibliotek med öppen källkod

Se exempel på maskininlärningsträning från en mängd olika öppen källkod maskininlärningsbibliotek, inklusive hyperparameterjusteringsexempel med Optuna och Hyperopt.

Djupinlärning

Se exempel och metodtips för distribuerad djupinlärningsträning så att du kan utveckla och finjustera djupinlärningsmodeller i Azure Databricks.

Rekommenderare

Lär dig hur du tränar djupinlärningsbaserade rekommendationsmodeller i Azure Databricks. Jämfört med traditionella rekommendationsmodeller kan djupinlärningsmodeller uppnå resultat av högre kvalitet och skala till större mängder data.