Entraîner des modèles d’IA et ML

Cette section vous montre comment entraîner des modèles d’apprentissage automatique et IA sur Mosaic AI.

Mosaïque AutoML

Mosaïque AutoML simplifie le processus d’application du Machine Learning à vos jeux de données en recherchant automatiquement la meilleure configuration d’algorithme et d’hyperparamètre pour vous. AutoML offre une interface utilisateur à faible code, ainsi qu’une API Python.

Formation de modèles IA Mosaic

Mosaic Formation Modèle IA (anciennement Formation Modèle de Fondation) sur Databricks vous permet de personnaliser des modèles de langage volumineux (LLM) à l’aide de vos propres données. Ce processus implique le réglage de la formation d’un modèle de base préexistant, réduisant considérablement les données, le temps et les ressources de calcul nécessaires par rapport à la formation d’un modèle à partir de rien. Les principales fonctionnalités incluent :

• Réglage précis supervisé : adaptez votre modèle à de nouvelles tâches en vous formant sur des données de réponse rapide structurées.
• Préformation continue : améliorez votre modèle à l’aide de des données de texte supplémentaires pour ajouter de nouvelles connaissances ou vous concentrer sur un domaine spécifique.
• Saisie semi-automatique des conversation : formez votre modèle sur les journaux de conversation pour améliorer les capacités conversationnelles.

Exemples de bibliothèques open source

Consultez les exemples d’entraînement d’apprentissage automatique à partir d’un large éventail de bibliothèques d’apprentissage automatique open source, y compris des exemples de réglage d’hyperparamètres à l’aide d’Optuna et d’Hyperopt.

Apprentissage approfondi

Consultez des exemples et des bonnes pratiques pour l’entraînement du Deep Learning distribué afin de pouvoir développer et affiner des modèles de Deep Learning sur Azure Databricks.

Recommandations

Découvrez comment entraîner des modèles de recommandation basés sur le Deep Learning sur Azure Databricks. Par rapport aux modèles de recommandation traditionnels, les modèles de deep learning peuvent obtenir des résultats de qualité plus élevés et s’adapter à des quantités de données plus importantes.