Menyesuaikan dengan Gemini API

Strategi desain yang cepat seperti few-shot prompting mungkin tidak selalu menghasilkan hasil yang diperlukan. Fine-tuning adalah proses yang dapat meningkatkan kualitas performa pada tugas tertentu atau membantu model mematuhi output tertentu persyaratan, saat petunjuk tidak memadai, dan Anda memiliki banyak contoh yang menunjukkan {i>output<i} yang Anda inginkan.

Halaman ini menyediakan ringkasan konseptual tentang cara menyesuaikan model teks di balik layanan teks Gemini API. Jika Anda sudah siap untuk memulai tuning, coba tutorial penyempurnaan kualitas. Jika Anda ingin pengantar yang lebih umum tentang menyesuaikan LLM untuk kasus penggunaan tertentu, keluar LLM: Fine-tuning, distilasi, dan prompt engineering di Kursus Singkat Machine Learning.

Cara kerja fine-tuning

Tujuan penyesuaian adalah untuk lebih meningkatkan performa model untuk tugas tertentu. Fine-tuning bekerja dengan menyediakan pelatihan {i>dataset<i} yang berisi banyak contoh tugas. Untuk tugas khusus, Anda bisa mendapatkan performa model meningkat signifikan dengan men-tune model menggunakan jumlah contoh. Penyesuaian model seperti ini terkadang disebut sebagai supervised fine-tuning, untuk membedakannya dari jenis fine-tuning lainnya.

Data pelatihan Anda harus disusun sebagai contoh dengan input prompt dan output respons yang diharapkan. Anda juga dapat menyesuaikan model secara langsung menggunakan data contoh di Google AI Studio. Tujuannya adalah untuk mengajari model agar meniru perilaku yang diinginkan atau tugas tertentu, dengan memberi banyak contoh yang menggambarkan perilaku atau tugas tersebut.

Saat Anda menjalankan tugas penyesuaian, model akan mempelajari parameter tambahan yang membantunya mengenkode informasi yang diperlukan untuk menjalankan tugas yang diinginkan atau mempelajari perilaku yang diinginkan. Parameter ini kemudian dapat digunakan pada waktu inferensi. Output tugas tuning adalah model baru, yang secara efektif merupakan kombinasi dari parameter yang baru dipelajari dan model asli.

Menyiapkan set data

Sebelum dapat memulai fine-tuning, Anda memerlukan set data untuk melakukan penyesuaian pada model. Untuk performa terbaik, contoh dalam set data harus berkualitas tinggi, beragam, dan mewakili input dan output yang sebenarnya.

Format

Contoh yang disertakan dalam set data harus sesuai dengan traffic produksi yang Anda harapkan. Jika {i>dataset<i} Anda berisi format tertentu, kata kunci, petunjuk, atau informasi, data produksi harus diformat dengan cara yang sama dan berisi instruksi yang sama.

Misalnya, jika contoh di set data Anda menyertakan "question:" dan "context:", traffic produksi juga harus diformat untuk menyertakan "question:" dan "context:" dalam urutan yang sama seperti yang tampak pada contoh set data. Jika Anda mengecualikan konteks, model tidak dapat mengenali pola, meskipun pertanyaan yang sama ada dalam contoh dalam set data.

Sebagai contoh lain, inilah data pelatihan Python untuk aplikasi yang menghasilkan angka berikutnya dalam urutan:

training_data = [
  {"text_input": "1", "output": "2"},
  {"text_input": "3", "output": "4"},
  {"text_input": "-3", "output": "-2"},
  {"text_input": "twenty two", "output": "twenty three"},
  {"text_input": "two hundred", "output": "two hundred one"},
  {"text_input": "ninety nine", "output": "one hundred"},
  {"text_input": "8", "output": "9"},
  {"text_input": "-98", "output": "-97"},
  {"text_input": "1,000", "output": "1,001"},
  {"text_input": "10,100,000", "output": "10,100,001"},
  {"text_input": "thirteen", "output": "fourteen"},
  {"text_input": "eighty", "output": "eighty one"},
  {"text_input": "one", "output": "two"},
  {"text_input": "three", "output": "four"},
  {"text_input": "seven", "output": "eight"},
]

Menambahkan {i>prompt<i} atau {i>preamble<i} ke setiap contoh dalam {i>dataset<i} Anda juga dapat membantu meningkatkan performa model yang di-tuning. Catatan, jika {i>prompt<i} atau {i>preamble<i} dalam {i>dataset<i} Anda, data itu juga harus dimasukkan dalam prompt model pada waktu inferensi.

Batasan

Catatan: Menyempurnakan set data untuk Gemini 1.5 Flash memiliki hal berikut batasan:

• Ukuran input maksimum per contoh adalah 40.000 karakter.
• Ukuran output maksimum per contoh adalah 5.000 karakter.

Ukuran data pelatihan

Anda dapat menyesuaikan model dengan hanya 20 contoh. Data tambahan umumnya akan meningkatkan kualitas respons. Anda harus menargetkan antara 100 dan 500 contoh, bergantung pada aplikasi Anda. Tabel berikut menunjukkan ukuran set data yang direkomendasikan untuk menyesuaikan model teks untuk berbagai tugas umum:

Upload set data tuning Anda

Data diteruskan secara inline menggunakan API atau melalui file yang diupload di Google di Generative AI Studio.

Untuk menggunakan library klien, sediakan file data dalam panggilan createTunedModel. Batas ukuran file adalah 4 MB. Lihat panduan memulai penyempurnaan dengan Python proses memulai.

Untuk memanggil REST API menggunakan cURL, berikan contoh pelatihan dalam format JSON ke argumen training_data. Lihat panduan memulai penyesuaian dengan cURL untuk memulai.

Setelan penyesuaian lanjutan

Saat membuat tugas tuning, Anda dapat menetapkan setelan lanjutan berikut:

• Periode: Penerusan pelatihan penuh pada seluruh set pelatihan sehingga masing-masing telah diproses satu kali.
• Ukuran batch: Kumpulan contoh yang digunakan dalam satu iterasi pelatihan. Ukuran batch menentukan jumlah contoh dalam batch.
• Kecepatan pembelajaran: Angka floating point yang memberi tahu algoritma cara untuk menyesuaikan parameter model pada setiap iterasi. Sebagai contoh, kecepatan pembelajaran 0,3 akan menyesuaikan bobot dan bias tiga kali lebih banyak lebih kuat daripada kecepatan pembelajaran 0,1. Kecepatan pembelajaran yang tinggi dan rendah memiliki kelebihan dan kekurangan masing-masing dan harus disesuaikan berdasarkan kasus penggunaan Anda.
• Pengganda kecepatan pembelajaran: Pengganda kecepatan mengubah nilai dengan kecepatan pembelajaran asli. Nilai 1 menggunakan kecepatan pembelajaran asli dari model transformer. Nilai yang lebih besar dari 1 akan meningkatkan kecepatan belajar dan nilai antara 1 dan 0 akan menurunkan kecepatan belajar.

Konfigurasi yang direkomendasikan

Tabel berikut menunjukkan konfigurasi yang direkomendasikan untuk menyesuaikan model dasar:

Kurva kerugian menunjukkan seberapa besar prediksi model menyimpang dari ideal prediksi dalam contoh pelatihan setelah setiap epoch. Idealnya, Anda perlu menghentikan di titik terendah dalam kurva, tepat sebelum data itu stabil. Misalnya, grafik di bawah menunjukkan kurva kerugian yang mencapai dataran tinggi pada sekitar epoch 4-6, yang berarti Anda dapat menetapkan parameter Epoch ke 4 dan tetap mendapatkan performa yang sama.

Memeriksa status tugas tuning

Anda dapat memeriksa status tugas tuning Anda di Google AI Studio di bagian Tab My Library atau menggunakan properti metadata dari model yang disesuaikan di Gemini API.

Memecahkan masalah error

Bagian ini berisi tips tentang cara mengatasi error yang mungkin Anda alami saat membuat model yang di-tuning.

Autentikasi

Penyesuaian menggunakan API dan library klien memerlukan autentikasi pengguna. Kunci API saja tidak cukup. Jika melihat error 'PermissionDenied: 403 Request had insufficient authentication scopes', Anda harus menyiapkan konfigurasi pengguna autentikasi.

Untuk mengonfigurasi kredensial OAuth untuk Python, lihat tutorial penyiapan OAuth.

Model yang dibatalkan

Anda dapat membatalkan tugas tuning kapan saja sebelum tugas selesai. Namun, performa inferensi model yang dibatalkan tidak dapat diprediksi, terutama jika tugas tuning dibatalkan di awal pelatihan. Jika Anda membatalkan karena Anda ingin menghentikan pelatihan pada epoch sebelumnya, Anda harus membuat penyesuaian baru dan menyetel epoch ke nilai yang lebih rendah.

Batasan model yang disesuaikan

Catatan: Model yang disesuaikan memiliki batasan berikut:

• Batas input model Gemini 1.5 Flash yang disesuaikan adalah 40.000 karakter.
• Mode JSON tidak didukung dengan model yang dioptimalkan.
• Hanya input teks yang didukung.

Langkah berikutnya

Mulai dengan tutorial fine-tuning:

• Tutorial penyesuaian kualitas (Python)
• Tutorial penyesuaian (REST)