Criar uma sessão de treino usando a interface de ajuste fino do Modelo Fundacional

Este artigo descreve como criar e configurar uma sessão de treino usando a IU de ajuste fino do Foundation Model (agora parte do Mosaic AI Model Training). Você também pode criar uma execução usando a API. Para obter instruções, consulte Criar uma execução de treinamento usando a API de ajuste fino do modelo básico.

Requerimentos

Consulte Requisitos.

Criar uma sessão de treino usando a interface de utilizador

Siga estas etapas para criar uma execução de treinamento usando a interface do usuário.

1. Na barra lateral esquerda, clique em Experiências.

2. No cartão Foundation Model Fine-tuning, clique em Criar Experiência de Modelo de IA Mosaic.

   

3. O formulário de Ajuste Fino do Modelo Base é aberto. Os itens marcados com um asterisco são obrigatórios. Faça as suas seleções e, em seguida, clique em Iniciar Formação.

   Tipo: Selecione a tarefa a ser executada.

   Tarefa	Descrição
   Ajuste fino de instruções	Continue a treinar um modelo de base com entrada de instruções e respostas para otimizar o modelo para uma tarefa específica.
   Pré-formação contínua	Continue a formação de um modelo de base para lhe dar conhecimento específico do domínio.
   Conclusão do chat	Continue a treinar um modelo básico com registos de chat para otimizá-lo para perguntas e respostas ou aplicações de conversação.

   Selecionar modelo de fundação: selecione o modelo a ser ajustado ou treinado. Para obter uma lista de modelos suportados, consulte Modelos suportados.

   Dados de treinamento: Clique em Procurar para selecionar uma tabela no Catálogo Unity ou insira o URL completo para um conjunto de dados do Hugging Face. Para obter recomendações de tamanho de dados, consulte Tamanho de dados recomendado para treinamento de modelo.

   Se você selecionar uma tabela no Unity Catalog, também deverá selecionar o cálculo a ser usado para ler a tabela.

   Registre-se no local: selecione o catálogo e o esquema do Catálogo Unity nos menus suspensos. O modelo treinado é guardado neste local.

   Nome do modelo: o modelo é salvo com esse nome no catálogo e no esquema especificados. Um nome padrão aparece neste campo, que você pode alterar se desejar.

   Opções avançadas: para obter mais personalização, você pode definir configurações opcionais para avaliação, ajuste de hiperparâmetros ou treinar a partir de um modelo proprietário existente.

   Configuração	Descrição
   Duração da formação	Duração da corrida de treinamento, especificada em épocas (por exemplo, 10ep) ou tokens (por exemplo, 1000000tok). A predefinição é 1ep.
   Taxa de aprendizagem	A taxa de aprendizagem para o treino de modelos. Todos os modelos são treinados usando o otimizador AdamW, com aquecimento da taxa de aprendizagem. A taxa de aprendizagem padrão pode variar de acordo com o modelo. Sugerimos executar uma varredura de hiperparâmetros tentando diferentes taxas de aprendizagem e durações de treinamento para obter modelos da mais alta qualidade.
   Comprimento do contexto	O comprimento máximo da sequência de uma amostra de dados. Dados mais longos do que essa configuração são truncados. O padrão depende do modelo selecionado.
   Dados de avaliação	Clique em Procurar para selecionar uma tabela no Catálogo Unity ou insira o URL completo para um conjunto de dados do Hugging Face. Se você deixar esse campo em branco, nenhuma avaliação será realizada.
   Instruções de avaliação do modelo	Digite prompts opcionais para usar na avaliação do modelo.
   Nome do experimento	Por padrão, um novo nome gerado automaticamente é atribuído para cada execução. Opcionalmente, você pode inserir um nome personalizado ou selecionar um experimento existente na lista suspensa.
   Pesos personalizados	Por padrão, o treinamento começa usando os pesos originais do modelo selecionado. Para começar com um ponto de verificação produzido pela API de ajuste fino, insira o caminho para a pasta de artefato MLflow que contém o ponto de verificação. NOTA: Se você treinou um modelo antes de 26/03/2025, não poderá mais treinar continuamente a partir desses pontos de verificação do modelo. Todas as execuções de treinamento concluídas anteriormente ainda podem ser atendidas com taxa de transferência provisionada sem problemas.

Próximos passos

Após a conclusão da execução do treinamento, você poderá revisar as métricas no MLflow e implantar seu modelo para inferência. Consulte as etapas 5 a 7 do Tutorial: Criar e implantar uma execução de ajuste fino do modelo básico.

Consulte o notebook de demonstração Instruções de ajuste fino: Reconhecimento de Entidades Nomeadas para um exemplo de ajuste fino de instruções que abrange a preparação de dados, configuração da execução do treinamento de ajuste fino e implantação.