Nota
L'accés a aquesta pàgina requereix autorització. Podeu provar d'iniciar la sessió o de canviar els directoris.
L'accés a aquesta pàgina requereix autorització. Podeu provar de canviar els directoris.
En este inicio rápido, creará un entorno de ajuste de ejemplo (también conocido como entorno de aprendizaje por refuerzo o RLE) en Frontier Tuning e inspeccionará sus artefactos. A continuación, se evalúa un modelo de línea base, se ajusta el modelo y se comparan los resultados.
Una plantilla de ejemplo proporciona artefactos listos para usar y datos ficticios para que pueda probar el flujo de trabajo antes de preparar sus propios datos empresariales. El flujo de trabajo utiliza la CLI. La alternativa de la API cubre solo el descubrimiento de plantillas y la creación de entornos.
Antes de comenzar, confirme el acceso al servicio, la instalación de la CLI y el permiso para evaluar y ajustar los modelos.
Requisitos previos
Para seguir los ejemplos, necesita:
- Acceso al servicio de ajuste y permiso para crear un entorno.
- La CLI de Frontier Tuning instalada. Consulte Instalación y configuración de la CLI de Frontier Tuning.
- Permiso y capacidad disponible para evaluar y ajustar un modelo en su entorno.
- Como alternativa de creación de API, un token de acceso autorizado para el servicio.
Qué incluye el ejemplo
El contenido dependerá de la plantilla que elija. Una plantilla puede incluir:
- Habilidades: Instrucciones que describen lo que debe hacer el modelo.
- Criterios de evaluación: Requisitos para evaluar las respuestas.
- Ejemplos y datos ficticios: Entradas de ejemplo para explorar el escenario y probar la evaluación o el entrenamiento.
Un escenario de incorporación de empleados, por ejemplo, podría usar información ficticia de empleados para generar una lista de comprobación. La habilidad describe la tarea y los criterios de evaluación verifican si la respuesta incluye la capacitación requerida y las tareas de la primera semana. Este ejemplo es ilustrativo; Consulte la lista de plantillas para conocer los escenarios disponibles.
Crear un entorno de optimización de ejemplo
Revise las plantillas disponibles y elija un escenario para probar. Use la CLI o la API para crear el entorno.
Uso de la CLI
Inicie sesión antes de descubrir plantillas o crear un entorno:
ftune auth login
Enumerar las plantillas:
ftune environments templates list
Reemplácelo <template-id> por un identificador de la lista y revise sus detalles:
ftune environments templates get <template-id> -o json
Cree un entorno de ajuste a partir de la plantilla seleccionada:
ftune environments create --name "My sample RLE" --template-id <template-id>
Guarde el identificador de entorno devuelto por el comando. Úsalo como <environment-id> en comandos posteriores.
Uso de la API
Use la API solo para la detección de plantillas y la creación de entornos. A continuación, use la CLI para inspeccionar el entorno, evaluar modelos y ejecutar ajustes.
No incluya tokens de acceso en ejemplos compartidos o resultados capturados.
Enumerar las plantillas disponibles. Reemplácelo
<access-token>por un token autorizado para el servicio.GET https://substrate.office.com/KnowledgeGraph/api/v1.0/Environments/Templates Authorization: Bearer <access-token>Copie un identificador de plantilla de la respuesta y recupere sus detalles. Reemplazar
<template-id>con el identificador seleccionado.GET https://substrate.office.com/KnowledgeGraph/api/v1.0/Environments/Templates/<template-id> Authorization: Bearer <access-token>Crea un entorno con el
templateIdarchivo .POST https://substrate.office.com/KnowledgeGraph/api/v1.0/Environments Authorization: Bearer <access-token> Content-Type: application/json { "displayName": "My sample RLE", "description": "Explore tuning with ready-made artifacts and mock data.", "templateId": "<template-id>" }Guarde el id. de entorno devuelto en la respuesta. Úselo como
<environment-id>se muestra a continuación e inicie sesión en la CLI antes de continuar:ftune auth login
Inspeccionar el entorno
Revise el entorno y su contenido:
ftune environments get --env-id <environment-id>
ftune skills list --env-id <environment-id>
ftune samples list --env-id <environment-id>
ftune models list --env-id <environment-id>
Las listas de aptitudes y ejemplos le ayudan a comprender la tarea y las entradas de ejemplo. La lista de modelos muestra los modelos disponibles en el entorno.
Antes de realizar la evaluación, confirme que el entorno incluye muestras de tipo evaluación. La evaluación predeterminada utiliza estos ejemplos. Elija un modelo base que esté disponible para la evaluación y que sea apto para la afinación. Use ese modelo para el trabajo de evaluación y ajuste de línea base.
Evaluar un modelo de línea base
Reemplácelo <base-model> por el modelo seleccionado e inicie una evaluación:
ftune evaluate start --env-id <environment-id> --base-model <base-model>
Copie el identificador del trabajo de evaluación de la respuesta. Reemplácelo <evaluation-job-id> por ese identificador para comprobar el progreso:
ftune evaluate status <evaluation-job-id> --env-id <environment-id>
Cuando la evaluación de línea base se complete correctamente, obtenga los resultados:
ftune evaluate results <evaluation-job-id> --env-id <environment-id>
Guarde los resultados de línea base para compararlos con la evaluación del modelo optimizado.
Ajustar un modelo
Inicie un trabajo de ajuste con un modelo base apto para la afinación. En este ejemplo se nombra al modelo my-sample-modelresultante:
ftune tune start --env-id <environment-id> --base-model <base-model> --new-model my-sample-model
Copie el identificador del trabajo de ajuste devuelto por el comando de ajuste. Reemplácelo <tuning-job-id> por ese identificador para comprobar el progreso:
ftune tune status <tuning-job-id> --env-id <environment-id>
Espere a que el ajuste se complete correctamente antes de evaluar el modelo resultante.
Evaluar el modelo ajustado
Vuelva a enumerar los modelos e identifique el modelo optimizado:
ftune models list --env-id <environment-id>
Reemplácelo <tuned-model-id> por el identificador del modelo resultante e inicie una nueva evaluación:
ftune evaluate start --env-id <environment-id> --base-model <tuned-model-id>
Use el nuevo identificador de trabajo de evaluación, no el identificador de evaluación de línea base, en estos comandos:
ftune evaluate status <evaluation-job-id> --env-id <environment-id>
Cuando la evaluación del modelo ajustado se complete correctamente, obtenga sus resultados:
ftune evaluate results <evaluation-job-id> --env-id <environment-id>
Comparar los resultados
Compare los resultados de la línea base y del modelo ajustado utilizando las mismas muestras de evaluación y criterios de evaluación. Busque cambios en los criterios que sean importantes para la tarea de muestra, en lugar de asumir que el ajuste mejora cada respuesta. Revise las llamadas fallidas a herramientas antes de interpretar las diferencias en los puntajes.
Nota
Los artefactos de muestra y los datos ficticios están diseñados para el aprendizaje y la experimentación. Los resultados de ejemplo no establecen el rendimiento en sus escenarios empresariales. Evalúe con datos representativos antes de usar un modelo ajustado en producción.