Créer une exécution d’entraînement à l’aide de l’interface utilisateur d’optimisation du modèle Foundation

Cet article explique comment créer et configurer une exécution d’entraînement à l’aide de l’interface utilisateur Foundation Model Fine-tuning (désormais partie de l’interface utilisateur de l’entraînement de modèle d’IA de Mosaïque). Vous pouvez également créer une exécution en utilisant l’API. Pour obtenir des instructions, consultez Créer une exécution d’entraînement à l’aide de l’API De réglage fin du modèle Foundation.

Exigences

Consultez Spécifications.

Créer une exécution d’apprentissage en utilisant l’interface utilisateur

Suivez ces étapes pour créer une exécution d’apprentissage en utilisant l’interface utilisateur.

1. Dans la barre latérale gauche, cliquez sur Expériences.

2. Sur la carte de réglage fin du modèle Foundation, cliquez sur Créer une expérience de modèle AI Mosaïque.

   

3. Le formulaire De réglage fin du modèle de fondation s’ouvre. Les éléments accompagnés d’un astérisque sont obligatoires. Procédez à vos sélections, puis cliquez sur Démarrer l’apprentissage.

   Type : sélectionnez la tâche à effectuer.

   Tâche	Description
   Optimisation des instructions	Continuez la formation d'un modèle de base en utilisant des entrées sous forme d'invites et de réponses pour optimiser le modèle pour un usage spécifique.
   Pré-entraînement continu	Continuez l’apprentissage d’un modèle de fondation pour lui donner des connaissances spécifiques à un domaine.
   Saisie semi-automatique de la conversation	Poursuivez l’apprentissage d’un modèle de base avec les journaux de conversation pour l’optimiser pour les applications de questions-réponses ou de conversation.

   Sélectionnez le modèle de base : sélectionnez le modèle à paramétrer ou à entraîner. Pour obtenir la liste des modèles pris en charge, consultez Modèles pris en charge.

   Données d’entraînement : cliquez sur Parcourir pour sélectionner une table dans le Unity Catalog, ou saisissez l’URL complète d’un jeu de données Hugging Face. Pour découvrir les suggestions sur la taille des données, consultez Taille recommandée des données pour l’apprentissage d’un modèle.

   Si vous sélectionnez une table dans le catalogue Unity, vous devez également sélectionner le calcul à utiliser pour lire la table.

   S’inscrire à l’emplacement : sélectionnez le catalogue et le schéma du catalogue Unity dans les menus déroulants. Le modèle entraîné est enregistré dans cet emplacement.

   Nom du modèle : le modèle est enregistré avec ce nom dans le catalogue et le schéma que vous avez spécifiés. Un nom par défaut s’affiche dans ce champ, que vous pouvez modifier si vous le souhaitez.

   Options avancées : pour effectuer davantage de personnalisation, vous pouvez configurer des options facultatives pour l’évaluation, l’ajustement d’hyperparamètre ou effectuer l’apprentissage à partir d’un modèle privé existant.

   Setting	Description
   Durée de l’entraînement	Durée de l’exécution d’apprentissage, spécifiée en époques (par exemple, 10ep) ou en jetons (par exemple, 1000000tok). La valeur par défaut est 1ep.
   Taux d’apprentissage	Taux d’apprentissage pour l’apprentissage du modèle. Tous les modèles sont entraînés à l’aide de l’optimiseur AdamW, avec une augmentation progressive du taux d’apprentissage. Le taux d’apprentissage par défaut peut varier par modèle. Nous vous suggérons d'exécuter une exploration d'hyperparamètres en essayant différents taux d'apprentissage et des durées d'entraînement plus longues pour obtenir les modèles de la meilleure qualité.
   Longueur de contexte	Longueur maximale de séquence d’un exemple de données. Les données d’une longueur supérieure à ce paramètre sont tronquées. La valeur par défaut dépend du modèle sélectionné.
   Données d’évaluation	Cliquez sur Parcourir pour sélectionner une table dans le Unity Catalog, ou entrez l'URL complète d’un jeu de données Hugging Face. Si vous laissez ce champ vide, aucune évaluation n’est effectuée.
   Invites d’évaluation du modèle	Tapez des invites facultatives à utiliser pour évaluer le modèle.
   Nom de l'expérience	Par défaut, un nouveau nom automatiquement généré est attribué pour chaque exécution. Vous pouvez éventuellement entrer un nom personnalisé ou sélectionner une expérience existante dans la liste déroulante.
   Pondérations personnalisées	Par défaut, l’apprentissage commence par utiliser les pondérations d’origine du modèle sélectionné. Pour commencer avec un point de contrôle généré par l’API de réglage précis, entrez le chemin d’accès au dossier d’artefact MLflow contenant le point de contrôle. REMARQUE : Si vous avez entraîné un modèle avant le 26/03/2025, vous ne pourrez plus effectuer de formation continue à partir de ces points de contrôle de modèle. Toutes les exécutions d’entraînement précédemment terminées peuvent toujours être traitées avec un débit approvisionné sans problème.

Étapes suivantes

Une fois votre exécution d’apprentissage terminée, vous pouvez passer en revue les mesures dans MLflow et déployer votre modèle pour l’inférence. Consultez les étapes 5 à 7 du tutoriel : Créer et déployer une exécution d’optimisation fine du modèle Foundation.

Consultez le notebook de démonstration Optimisation des instructions : Reconnaissance d’entité nommée pour obtenir un exemple d’optimisation des instructions qui décrit la préparation des données, l’optimisation de la configuration d’exécution de formation et le déploiement.