Pengklasifikasi cerdas adalah metode yang efisien dan fleksibel untuk membuat pengklasifikasi kebijakan konten kustom dengan menyesuaikan model, seperti Gemma, agar sesuai dengan kebutuhan Anda. Iklan ini juga memberi Anda kontrol penuh atas tempat dan cara pen-deployment-nya.
Tutorial Pengklasifikasi Gemma Agile
Mulai Codelab
Mulai Google ColabCodelab dan tutorial menggunakan LoRA untuk meningkatkan kualitas model Gemma agar berfungsi sebagai pengklasifikasi kebijakan konten menggunakan library KerasNLP. Dengan hanya menggunakan 200 contoh dari set data ETHOS, pengklasifikasi mendapatkan skor F1 sebesar 0,80 dan skor ROC-AUC sebesar 0,78, yang lebih baik dibandingkan dengan hasil papan peringkat. Saat dilatih dengan 800 contoh, seperti pengklasifikasi lain di papan peringkat, pengklasifikasi tangkas berbasis Gemma mencapai skor F1 83,74 dan skor ROC-AUC 88,17. Anda dapat menyesuaikan petunjuk tutorial untuk lebih meningkatkan kualitas pengklasifikasi ini, atau membuat pengamanan pengklasifikasi keamanan kustom Anda sendiri.