Eseguire il training di modelli di IA e ML

Questa sezione illustra come eseguire il training di modelli di apprendimento automatico e intelligenza artificiale in Mosaic AI.

Il training del modello di intelligenza artificiale mosaico semplifica e unifica il processo di training e distribuzione di modelli di Machine Learning tradizionali tramite carichi di lavoro di ottimizzazione del modello AutoML e Foundation.

AutoML

AutoML semplifica il processo di applicazione di Machine Learning ai set di dati individuando automaticamente l'algoritmo e la configurazione degli iperparametri migliori. AutoML offre un'interfaccia utente senza codice e un'API Python.

Ottimizzazione del modello di base

L'ottimizzazione del modello di base (ora parte di Mosaic AI Model Training) in Databricks consente di personalizzare modelli linguistici di grandi dimensioni usando i propri dati. Questo processo comporta l'ottimizzazione del training di un modello di base preesistente, riducendo significativamente i dati, il tempo e le risorse di calcolo necessarie rispetto al training di un modello da zero. Le funzionalità principali includono:

• Ottimizzazione con supervisione: adattare il modello alle nuove attività eseguendo il training sui dati strutturati di risposta immediata.
• Training preliminare continuo: migliorare il modello con dati di testo aggiuntivi per aggiungere nuove conoscenze o concentrarsi su un dominio specifico.
• Completamento della chat: eseguire il training del modello nei log delle chat per migliorare le capacità di conversazione.

Esempi di libreria open source

Si veda esempi di training di apprendimento automatico da un'ampia gamma di librerie di Machine Learning open source, tra cui esempi di ottimizzazione degli iperparametri usando Optuna e Hyperopt.

Deep Learning

Si vedano esempi e procedure consigliate per il training di Deep Learning distribuito in modo da poter sviluppare e ottimizzare i modelli di Deep Learning in Azure Databricks.

Di raccomandazione

Informazioni su come eseguire il training di modelli di raccomandazione basati su Deep Learning in Azure Databricks. Rispetto ai modelli di raccomandazione tradizionali, i modelli di Deep Learning possono ottenere risultati di qualità superiore e adattarsi a grandi quantità di dati.