Les stratégies de conception de requête, telles que les requêtes few-shot, ne produisent pas toujours dont vous avez besoin. Le réglage est un processus permettant d'améliorer des performances sur des tâches spécifiques ou aider le modèle à respecter lorsque les instructions ne sont pas suffisantes et que vous disposez d'un ensemble d'exemples qui fournissent les résultats souhaités.
Cette page offre un aperçu conceptuel de l'affinage du modèle de texte sous-jacent service de texte de l'API Gemini. Lorsque vous êtes prêt à commencer à affiner, consultez le tutoriel d'ajustement précis. Pour une présentation plus générale de la personnalisation des LLM pour des cas d'utilisation spécifiques, consultez LLM : réglage fin, distillation et ingénierie des requêtes dans le Cours d'initiation au machine learning.
Fonctionnement de l'affinage
L'objectif de ces réglages est d'améliorer encore davantage les performances du modèle votre tâche spécifique. L'affinage consiste à fournir au modèle un ensemble de données ensemble de données contenant de nombreux exemples de la tâche. Pour les tâches de niche, vous pouvez obtenir des améliorations significatives des performances du modèle en ajustant le modèle sur un petit nombre d'exemples. Ce type d'ajustement de modèle est parfois appelé ajustement supervisé, pour le distinguer des autres types d'ajustement.
Vos données d'entraînement doivent être structurées comme des exemples avec des entrées de requête et résultats de réponse attendus. Vous pouvez aussi régler des modèles en utilisant directement les exemples de données dans Google AI Studio. L'objectif est d'apprendre au modèle à imiter le comportement souhaité. ou une tâche spécifique, en lui donnant de nombreux exemples illustrant ce comportement ou cette tâche.
Lorsque vous exécutez un job de réglage, le modèle apprend des paramètres supplémentaires qui l'aident codent les informations nécessaires pour effectuer la tâche souhaitée ou comportemental. Ces paramètres peuvent ensuite être utilisés au moment de l'inférence. Le résultat de la tâche de réglage est un nouveau modèle, qui est une combinaison des paramètres nouvellement appris et du modèle d'origine.
Préparer votre ensemble de données
Avant de commencer l'affinage, vous avez besoin d'un ensemble de données avec lequel régler le modèle. Pour les meilleures performances, les exemples de l'ensemble de données doivent être de haute qualité, diverses, et représentatifs des entrées et sorties réelles.
Format
Les exemples de votre ensemble de données doivent correspondre au trafic de production attendu. Si votre ensemble de données contient une mise en forme, des mots clés, des instructions ou des informations spécifiques, les données de production doivent utiliser le même format et contenir les mêmes instructions.
Par exemple, si les exemples de votre ensemble de données incluent "question:" et "context:", le trafic de production doit également être mis en forme de manière à inclure "question:" et "context:" dans le même ordre que les exemples de l'ensembles de données. Si vous excluez le contexte, le modèle ne peut pas reconnaître le modèle, même si la question exacte figurait dans un exemple de l'ensemble de données.
Voici un autre exemple de données d'entraînement Python pour une application qui génère le nombre suivant d'une séquence :
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"},
]
Ajouter une requête ou un préambule à chaque exemple de votre ensemble de données peut également contribuer à améliorer les performances du modèle affiné. Notez que si une requête ou un préambule est inclus dans votre ensemble de données, il doit également être inclus dans la requête adressée au modèle affiné au moment de l'inférence.
Limites
Remarque : Les ensembles de données d'affinage pour Gemini 1.5 Flash présentent les caractéristiques suivantes : Limites:
- La taille d'entrée maximale par exemple est de 40 000 caractères.
- La taille maximale de sortie par exemple est de 5 000 caractères.
Taille des données d'entraînement
Vous pouvez affiner un modèle avec seulement 20 exemples. Données supplémentaires améliore généralement la qualité des réponses. Vous devez cibler entre 100 et 500 exemples, selon votre application. Le tableau suivant montre tailles d'ensemble de données recommandées pour affiner un modèle de texte pour différentes tâches courantes:
| Tâche | Nombre d'exemples dans l'ensemble de données |
|---|---|
| Classification | 100+ |
| Synthèse | 100-500+ |
| Rechercher des documents | 100+ |
Importer votre ensemble de données de réglage
Les données sont transmises en ligne à l'aide de l'API ou via des fichiers importés dans Google AI Studio.
Pour utiliser la bibliothèque cliente, fournissez le fichier de données dans l'appel createTunedModel.
La taille du fichier ne doit pas dépasser 4 Mo. Consultez le
guide de démarrage rapide pour l'optimisation des performances avec Python
pour commencer.
Pour appeler l'API REST à l'aide de cURL, fournissez des exemples d'entraînement au format JSON au
l'argument training_data. Consultez le
guide de démarrage rapide pour le réglage avec cURL
pour commencer.
Paramètres de réglage avancés
Lorsque vous créez une tâche de réglage, vous pouvez spécifier les paramètres avancés suivants :
- Époques:passe d'entraînement complet sur l'ensemble de l'ensemble d'entraînement de sorte que chaque a été traité une fois.
- Taille de lot:ensemble d'exemples utilisés dans une itération d'entraînement. La la taille de lot détermine le nombre d'exemples dans un lot.
- Taux d'apprentissage : nombre à virgule flottante qui indique à l'algorithme l'intensité avec laquelle ajuster les paramètres du modèle à chaque itération. Par exemple, un taux d'apprentissage de 0,3 ajusterait les poids et les biais trois fois plus efficacement qu'un taux d'apprentissage de 0,1. Les taux d'apprentissage élevés et faibles présentent leurs propres compromis et doivent être ajustés en fonction de votre cas d'utilisation.
- Multiplicateur du taux d'apprentissage:le multiplicateur de taux modifie le du taux d'apprentissage d'origine. Une valeur de 1 utilise le taux d'apprentissage d'origine du modèle. Les valeurs supérieures à 1 augmentent le taux d'apprentissage, tandis que les valeurs comprises entre 1 et 0 le diminuent.
Configurations recommandées
Le tableau suivant présente les configurations recommandées pour affiner un modèle de fondation :
| Hyperparamètre | Valeur par défaut | Ajustements recommandés |
|---|---|---|
| Époque | 5 |
Si la perte commence à stagner avant cinq époques, utilisez une valeur plus faible. Si la perte converge et ne semble pas se stabiliser, utilisez une valeur plus élevée. |
| Taille de lot | 4 | |
| Taux d'apprentissage | 0,001 | Utilisez une valeur plus faible pour les ensembles de données plus petits. |
La courbe de perte indique dans quelle mesure la prédiction du modèle s'écarte des prédictions idéales dans les exemples d'entraînement après chaque époque. Idéalement, vous devez arrêter l'entraînement au point le plus bas de la courbe juste avant qu'elle ne plafonne. Par exemple :
Le graphique ci-dessous montre que la courbe de fonction de perte se stabilise aux alentours de l'époque 4-6, ce qui signifie
vous pouvez définir le paramètre Epoch sur 4 et obtenir les mêmes performances.
Vérifier l'état du job de réglage
Vous pouvez vérifier l'état de votre job de réglage dans Google AI Studio sous la
l'onglet Ma bibliothèque ou en utilisant la propriété metadata du modèle réglé dans la
l'API Gemini.
Résoudre les erreurs
Cette section inclut des conseils sur la façon de résoudre les erreurs que vous pouvez rencontrer pour créer votre modèle réglé.
Authentification
L'ajustement à l'aide de l'API et de la bibliothèque cliente nécessite une authentification. Vous pouvez configurer l'authentification à l'aide d'une clé API (recommandé) ou d'OAuth identifiants de connexion. Pour obtenir de la documentation sur la configuration d'une clé API, consultez Configurez la clé API.
Si une erreur 'PermissionDenied: 403 Request had insufficient authentication
scopes' s'affiche, vous devrez peut-être configurer l'authentification des utilisateurs à l'aide d'identifiants OAuth. Pour configurer des identifiants OAuth pour Python, consultez notre tutoriel de configuration OAuth.
Modèles annulés
Vous pouvez annuler une tâche d'ajustement à tout moment avant qu'elle ne soit terminée. Toutefois, les performances d'inférence d'un modèle annulé sont imprévisibles, surtout si le job de réglage est annulé au début de l'entraînement. Si vous avez annulé l'entraînement, car vous souhaitez l'arrêter à une époque antérieure, vous devez créer un nouveau job de réglage et définir l'époque sur une valeur inférieure.
Limites des modèles réglés
Remarque:Les modèles réglés présentent les limites suivantes:
- La limite d'entrée d'un modèle Flash Gemini 1.5 affiné est de 40 000 caractères.
- Le mode JSON n'est pas compatible avec les modèles optimisés.
- Seule la saisie de texte est acceptée.
Étape suivante
Lancez-vous à l'aide des tutoriels d'optimisation: