次の方法で共有

AI モデルおよび ML モデルをトレーニングする

  • [アーティクル]

このセクションでは、Mosaic AI で機械学習モデルおよび AI モデルをトレーニングする方法について説明します。

AutoML

Databricks AutoML が最適なアルゴリズムとハイパーパラメーター構成を自動的に探し出すので、データセットに機械学習を適用するプロセスを簡素化できます。 AutoML では、Python API と同様にロー コードの UI が用意されています。

Mosaic AI モデル トレーニング

Databricks の Mosaic AI モデル トレーニング (旧称 Foundation Model Training) では、独自のデータを使用して大規模言語モデル (LLM) をカスタマイズできます。 このプロセスでは、既存の基盤モデルのトレーニングを微調整することで、モデルをゼロからトレーニングする場合と比較して、必要なデータ、時間、コンピューティング リソースを大幅に削減します。 主な特徴は次のとおりです。

  • 監視付き微調整: 構造化されたプロンプト応答データでトレーニングすることで、モデルを新しいタスクに適応させます。
  • 継続的な事前トレーニング: 追加のテキスト データを使用してモデルを強化し、新しい知識を追加したり、特定のドメインに焦点を当てたりします。
  • チャット補完: チャット ログでモデルをトレーニングし、会話能力を向上させます。

オープン ソース ライブラリの例

Optuna と Hyperopt を使用したハイパーパラメーター調整の例など、さまざまなオープンソース機械学習ライブラリから機械学習トレーニングの例を参照してください。

ディープ ラーニング

Azure Databricks でディープ ラーニング モデルを開発して微調整できるよう、分散ディープ ラーニング トレーニングの例とベスト プラクティスを参照してください。

レコメンダー

Azure Databricks でディープ ラーニング ベースのレコメンデーション モデルをトレーニングする方法について説明します。 ディープ ラーニング モデルでは、従来のレコメンデーション モデルよりも質の高い結果を得られるほか、スケーリングによってより多くのデータに対応できます。