Personalize um modelo com ajuste fino

Pré-requisitos

• Leia o guia Quando usar o ajuste fino do Azure OpenAI.
• Uma assinatura do Azure. Crie um gratuitamente.
• Um recurso OpenAI do Azure localizado em uma região que dá suporte ao ajuste fino do modelo OpenAI do Azure. Verifique a Tabela de resumo do modelo e a disponibilidade da região para obter a lista de modelos disponíveis por região e funcionalidade com suporte. Para obter mais informações, consulte Criar um recurso e implantar um modelo com o Azure OpenAI.
• O acesso de ajuste fino requer o Colaborador do OpenAI dos Serviços Cognitivos.
• Se ainda não tiver acesso para ver a cota e implantar modelos no portal do Azure AI Foundry, você vai precisar de permissões adicionais.

Modelos

Os seguintes modelos dão suporte ao ajuste fino:

• babbage-002
• davinci-002
• gpt-35-turbo (0613)
• gpt-35-turbo (1106)
• gpt-35-turbo (0125)
• gpt-4 (0613)^*
• gpt-4o (2024-08-06)
• gpt-4o-mini (18/07/2024)

^* O ajuste fino desse modelo está atualmente em visualização pública.

Ou você pode fazer o ajuste fino de um modelo previamente ajustado, formatado como base-model.ft-{jobid}.

Consulte a página de modelos para verificar quais regiões atualmente dão suporte ao ajuste fino.

Conferir o fluxo de trabalho do Azure AI Foundry

Reserve um momento para conferir o fluxo de trabalho de ajuste fino para usar o Azure AI Foundry:

1. Preparar seus dados de treinamento e validação.
2. Use o assistente Criar modelo personalizado no portal do Azure AI Foundry para treinar seu modelo personalizado.
   1. Selecionar um modelo base.
   2. Escolher seus dados de treinamento.
   3. Opcionalmente, escolha seus dados de validação.
   4. Opcionalmente, configure os parâmetros de tarefa para seu trabalho de ajuste fino.
   5. Examine suas escolhas e treine seu novo modelo personalizado
3. Verifique o status do seu modelo personalizado ajustado.
4. Implantar seu modelo personalizado para uso.
5. Usar seu modelo personalizado.
6. Opcionalmente, analise seu modelo personalizado para obter desempenho e ajuste.

Preparar seus dados de treinamento e validação

Seu conjunto de dados de treinamento e de validação consiste em exemplos de saída de entrada e saída para o desempenho do modelo.

Diferentes tipos de modelo exigem um formato diferente de dados de treinamento.

{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Is Xbox better than PlayStation?"}, {"role": "assistant", "content": "I apologize, but I cannot provide personal opinions. My primary job is to assist you with any issues related to your Xbox device. Do you have any Xbox-related issues that need addressing?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Can I play PC games on my Xbox?"}, {"role": "assistant", "content": "While Xbox consoles don't natively support PC games, they can play an array of Xbox games, many of which are also available on PC. Can I assist you with finding games compatible with your Xbox device?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "I'm having trouble connecting my Xbox to the Wi-Fi."}, {"role": "assistant", "content": "No worries, let's go through the network settings on your Xbox. Can you please tell me what happens when you try to connect it to the Wi-Fi?"}]}

{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "What's the capital of France?"}, {"role": "assistant", "content": "Paris", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Paris, as if everyone doesn't know that already.", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "Who wrote 'Romeo and Juliet'?"}, {"role": "assistant", "content": "William Shakespeare", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Oh, just some guy named William Shakespeare. Ever heard of him?", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "How far is the Moon from Earth?"}, {"role": "assistant", "content": "384,400 kilometers", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Around 384,400 kilometers. Give or take a few, like that really matters.", "weight": 1}]}

{"messages": [{"role": "user", "content": [{"type": "text", "text": "What's in this image?"}, {"type": "image_url", "image_url": {"url": "https://raw.githubusercontent.com/MicrosoftDocs/azure-ai-docs/main/articles/ai-services/openai/media/how-to/generated-seattle.png"}}]}, {"role": "assistant", "content": "The image appears to be a watercolor painting of a city skyline, featuring tall buildings and a recognizable structure often associated with Seattle, like the Space Needle. The artwork uses soft colors and brushstrokes to create a somewhat abstract and artistic representation of the cityscape."}]}

{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}

pip install openai==0.28.1

openai tools fine_tunes.prepare_data -f <LOCAL_FILE>

Usar o assistente Criar modelo personalizado

O Azure AI Foundry fornece o assistente Criar modelo personalizado para que você possa criar e treinar interativamente um modelo ajustado para o seu recurso do Azure.

1. Abra o Azure AI Foundry em https://oai.azure.com/ e entre com credenciais que tenham acesso ao recurso do OpenAI do Azure. Durante o fluxo de trabalho de entrada, selecione o diretório apropriado, a assinatura do Azure e o recurso OpenAI do Azure.

2. No portal do Azure AI Foundry, navegue até o painel Ferramentas > Ajuste fino e selecione Modelo de ajuste fino.

   

O assistente Criar modelo personalizado é aberto.

Selecione um modelo base

A primeira etapa na criação de um modelo personalizado é escolher um modelo base. O painel Modelo básico permite que você escolha um modelo básico para usar em seu modelo personalizado. A sua escolha influencia tanto o desempenho quanto o custo do modelo.

Selecione o modelo básico na lista suspensa Tipo de modelo base e selecione Avançar para continuar.

Você pode criar um modelo personalizado de um dos seguintes modelos base disponíveis:

• babbage-002

• davinci-002

• gpt-35-turbo (0613)

• gpt-35-turbo (1106)

• gpt-35-turbo (0125)

• gpt-4 (0613)

• Ou você pode fazer o ajuste fino de um modelo previamente ajustado, formatado como base-model.ft-{jobid}.

Para obter mais informações sobre nossos modelos básicos que podem ser ajustados, confira Modelos.

Escolher seus dados de treinamento

A próxima etapa é escolher dados de treinamento preparados existentes ou carregar novos dados de treinamento preparados para usar ao personalizar seu modelo. O painel Dados de treinamento exibe todos os conjuntos de dados existentes carregados anteriormente e também oferece opções para carregar novos dados de treinamento.

• Se os dados de treinamento já estiverem carregados no serviço, selecione Arquivos da Conexão do OpenAI do Azure.

  • Selecione o arquivo na lista suspensa mostrada.

• Para carregar novos dados de treinamento, use uma das seguintes opções:

  • Selecione Arquivo local para carregar dados de treinamento de um arquivo local.

  • Selecione Blob do Azure ou outros locais compartilhados da Web para importar dados de treinamento do Azure Blob ou de outro local compartilhado da Web.

Para arquivos de dados grandes, recomendamos que você importe de um armazenamento de Blob do Azure. Arquivos grandes podem se tornar instáveis quando carregados por meio de formulários de várias partes porque as solicitações são atômicas e não podem ser repetidas ou retomadas. Para obter mais informações sobre o Armazenamento de Blobs do Azure, confira O que é o Armazenamento de Blobs do Azure?

Carregar dados de treinamento do arquivo local

Você pode carregar um novo conjunto de dados de treinamento para o serviço de um arquivo local usando um dos seguintes métodos:

• Arraste e solte o arquivo na área do cliente do painel Dados de treinamento e selecione Carregar arquivo.

• Selecione Procurar um arquivo na área do cliente do painel Dados de treinamento, escolha o arquivo a ser carregado na caixa de diálogo Abrir e selecione Carregar arquivo.

Depois de selecionar e carregar o conjunto de dados de treinamento, selecione Avançar para continuar.

Importar dados de treinamento de um repositório de Blobs do Azure

Você pode importar um conjunto de dados de treinamento do Blob do Azure ou de outro local da Web compartilhado fornecendo o nome e o local do arquivo.

1. Insira o Nome do arquivo.

2. Para o Local do arquivo, forneça a URL do Blob do Azure, a SAS (assinatura de acesso compartilhado) do Armazenamento do Azure ou outro link para um local da Web compartilhado acessível.

3. Selecione Importar para importar o conjunto de dados de treinamento para o serviço.

Depois de selecionar e carregar o conjunto de dados de treinamento, selecione Avançar para continuar.

Escolha seus dados de validação

A próxima etapa fornece opções para configurar o modelo para usar dados de validação no processo de treinamento. Se você não quiser usar dados de validação, você pode escolher Avançarpara continuar com as opções avançadas do modelo. Caso contrário, se você tiver um conjunto de dados de validação, poderá escolher os dados de validação preparados existentes ou carregar novos dados de validação preparados a serem usados ao personalizar seu modelo.

O painel Dados de validação exibe todos os conjuntos de dados de treinamento e validação existentes e carregados anteriormente e fornece opções pelas quais você pode carregar novos dados de validação.

• Se os dados de validação já estiverem carregados no serviço, selecione Escolher conjunto de dados.

  • Selecione o arquivo na lista mostrada no painel Dados de validação.

• Para carregar novos dados de validação, use uma das seguintes opções:

  • Selecione Arquivo local para carregar dados de validação de um arquivo local.

  • Selecione Blob do Azure ou outros locais compartilhados da Web para importar dados de validação do Azure Blob ou de outro local compartilhado da Web.

Para arquivos de dados grandes, recomendamos que você importe de um armazenamento de Blob do Azure. Arquivos grandes podem se tornar instáveis quando carregados por meio de formulários de várias partes porque as solicitações são atômicas e não podem ser repetidas ou retomadas.

Carregar dados de validação do arquivo local

Você pode carregar um novo conjunto de dados de validação para o serviço de um arquivo local usando um dos seguintes métodos:

• Arraste e solte o arquivo na área do cliente do painel Dados de validação e selecione Carregar arquivo.

• Selecione Procurar um arquivo na área do cliente do painel Dados de validação, escolha o arquivo a ser carregado na caixa de diálogo Abrir e selecione Carregar arquivo.

Depois de selecionar e carregar o conjunto de dados de validação, selecione Avançar para continuar.

Importar dados de validação do armazenamento do Blobs do Azure

Você pode importar um conjunto de dados de validação do Blob do Azure ou de outro local da Web compartilhado fornecendo o nome e o local do arquivo.

1. Insira o Nome do arquivo.

2. Para o Local do arquivo, forneça a URL do Blob do Azure, a SAS (assinatura de acesso compartilhado) do Armazenamento do Azure ou outro link para um local da Web compartilhado acessível.

3. Selecione Importar para importar o conjunto de dados de treinamento para o serviço.

Depois de selecionar e carregar o conjunto de dados de validação, selecione Avançar para continuar.

Configurar os parâmetros de tarefa

O assistente Criar modelo personalizado mostra os parâmetros para treinar seu modelo ajustado no painel Parâmetros de tarefa. Estão disponíveis os seguintes parâmetros:

Selecione Padrão para usar os valores padrão para o trabalho de ajuste fino ou selecione Personalizar para exibir e editar os valores do hiperparâmetro. Quando os padrões são selecionados, determinamos o valor correto por meio de algoritmos com base nos seus dados de treinamento.

Após configurar as opções avançadas, selecione Avançar para examinar suas escolhas e treinar seu modelo ajustado.

Examinar suas escolhas e treinar seu modelo

O painel Revisão do assistente exibe informações sobre suas opções de configuração.

Se você estiver pronto para treinar seu modelo, selecione Iniciar trabalho de Treinamento para iniciar o trabalho de ajuste fino e retornar ao painel Modelos.

Verificar o status do seu modelo personalizado

O painel Modelos exibe informações sobre seu modelo personalizado na guia Modelos personalizados. A guia inclui informações sobre o status e a ID do trabalho de ajuste fino para seu modelo personalizado. Quando o trabalho for concluído, a guia exibirá a ID do arquivo de resultado. Talvez seja necessário selecionar Atualizar para ver um status atualizado para o trabalho de treinamento de modelo.

Depois de iniciar um trabalho de ajuste fino, pode levar algum tempo para ser concluído. Seu trabalho pode estar na fila por trás de outros trabalhos no sistema. O treinamento do modelo pode levar minutos ou horas, dependendo do tamanho do modelo e do conjunto de dados.

Aqui estão algumas das tarefas que você pode fazer no painel Modelos :

• Verifique o status do trabalho de ajuste fino para seu modelo personalizado na coluna Status da guia Modelos personalizados.

• Na coluna Nome do modelo, selecione o nome do modelo para exibir mais informações sobre o modelo personalizado. Você pode ver o status do trabalho de ajuste fino, resultados de treinamento, eventos de treinamento e hiperparâmetros usados no trabalho.

• Selecione Baixar arquivo de treinamento para baixar os dados de treinamento usados para o modelo.

• Selecione Baixar resultados para baixar o arquivo de resultados anexado ao trabalho de ajuste fino para seu modelo e analisar seu modelo personalizado para treinamento e desempenho de validação.

• Selecione Atualizar para atualizar a informação a página.

Pontos de verificação

Quando cada época de treinamento é concluída, um ponto de verificação é gerado. Um ponto de verificação é uma versão totalmente funcional de um modelo que pode ser implantado e usado como modelo de destino para trabalhos de ajuste fino subsequentes. Os checkpoints podem ser particularmente úteis, pois podem fornecer um instantâneo do seu modelo antes de ocorrer o sobreajuste. Quando um trabalho de ajuste fino for concluído, você terá as três versões mais recentes do modelo disponíveis para implantação.

Avaliação de segurança de ajuste fino do GPT-4, GPT-4o e GPT-4o-mini – visualização pública

GPT-4o, GPT-4o-mini e GPT-4 são os nossos modelos mais avançados que podem ser ajustados às suas necessidades. Assim como acontece com os modelos do Azure OpenAI em geral, os recursos avançados de modelos com ajuste fino vêm com desafios de IA responsável maiores relacionados a conteúdo prejudicial, manipulação, comportamento humano, problemas de privacidade e muito mais. Saiba mais sobre riscos, funcionalidades e limitações na Visão geral das práticas de IA responsável e Nota de transparência. Para ajudar a atenuar os riscos associados a modelos avançados com ajuste fino, implementamos etapas de avaliação adicionais para ajudar a detectar e prevenir conteúdo nocivo no treinamento e nas saídas de modelos com ajuste fino. Essas etapas são fundamentadas na filtragem de conteúdo do Microsoft Responsible AI Standard e do Serviço OpenAI do Azure.

• As avaliações são realizadas em workspaces dedicados, específicos do cliente e privados;
• Os pontos de extremidade de avaliação estão na mesma área geográfica que o recurso do Azure OpenAI;
• Os dados de treinamento não são armazenados em conexão com a execução de avaliações; somente a avaliação final do modelo (implantável ou não implantável) é mantida; e

Os filtros de avaliação de modelo com ajuste fino do GPT-4o, GPT-4o-mini e GPT-4 são definidos com limites predefinidos e não podem ser modificados pelos clientes; eles não estão vinculados a nenhuma configuração de filtragem de conteúdo personalizada que você possa ter criado.

Avaliação dos dados

Antes do início do treinamento, seus dados são avaliados quanto a conteúdo potencialmente prejudicial (violência, sexual, ódio e imparcialidade, automutilação – confira as definições de categoria aqui). Se conteúdo nocivo for detectado acima do nível de gravidade especificado, o trabalho de treinamento falhará e você receberá uma mensagem informando sobre as categorias de falha.

Mensagem de exemplo:

The provided training data failed RAI checks for harm types: [hate_fairness, self_harm, violence]. Please fix the data and try again.

Seus dados de treinamento são avaliados automaticamente em seu trabalho de importação de dados como parte do fornecimento da funcionalidade de ajuste fino.

Se o trabalho de ajuste fino falhar devido à detecção de conteúdo prejudicial nos dados de treinamento, você não será cobrado.

Avaliação de modelos

Após a conclusão do treinamento, mas antes que o modelo ajustado esteja disponível para implantação, o modelo resultante é avaliado quanto à presença de respostas potencialmente prejudiciais usando as métricas de risco e segurança internas do Azure. Usando a mesma abordagem de teste que usamos para os modelos de linguagem grandes de base, nossa capacidade de avaliação simula uma conversa com o seu modelo ajustado para avaliar o potencial de produzir conteúdo prejudicial, novamente usando categorias de conteúdo nocivo especificadas (violência, sexual, ódio e imparcialidade, automutilação).

Se for encontrado um modelo para gerar uma saída que contenha conteúdo detectado como prejudicial acima de uma taxa aceitável, você será informado de que seu modelo não está disponível para implantação, com informações sobre as categorias específicas de danos detectadas:

Mensagem de exemplo:

This model is unable to be deployed. Model evaluation identified that this fine tuned model scores above acceptable thresholds for [Violence, Self Harm]. Please review your training data set and resubmit the job.

Assim como na avaliação de dados, o modelo é avaliado automaticamente em seu trabalho de ajuste fino como parte do fornecimento da funcionalidade de ajuste fino. Somente a avaliação resultante (implantável ou não implantável) é registrada pelo serviço. Se a implantação do modelo com ajuste fino falhar devido à detecção de conteúdo prejudicial em saídas de modelo, você não será cobrado pela execução do treinamento.

Implantar um modelo ajustado

Quando o trabalho de ajuste fino for bem-sucedido, você poderá implantar o modelo personalizado no painel Modelos. Você deve implantar seu modelo personalizado para disponibilizá-lo para uso com chamadas de conclusão.

Para implantar seu modelo personalizado, selecione o modelo personalizado a ser implantado e, em seguida, selecione Implantar modelo.

A caixa de diálogo Implantar modelo é aberta. Na caixa de diálogo, insira o nome da implantação e selecione Criar para iniciar a implantação do modelo personalizado.

Você pode monitorar o andamento da sua implantação no painel Implantações no portal do Azure AI Foundry.

Implantação entre regiões

O ajuste fino dá suporte à implantação de um modelo ajustado em uma região diferente da qual o modelo foi ajustado originalmente. Você também pode implantar em uma assinatura/região diferente.

As únicas limitações são que a nova região também deve dar suporte ao ajuste fino e, ao implantar a assinatura cruzada, a conta que gera o token de autorização para a implantação deve ter acesso às assinaturas de origem e de destino.

A implantação entre assinaturas/regiões pode ser realizada por meio de Python ou REST.

Usar um modelo personalizado implantado

Depois que seu modelo personalizado for implantado, você poderá usá-lo como qualquer outro modelo implantado. Você pode usar os Playgrounds no Azure AI Foundry para experimentar sua nova implantação. Você pode continuar a usar os mesmos parâmetros com o seu modelo personalizado, como temperature e max_tokens, como faz com outros modelos implantados. Para modelos de babbage-002 e davinci-002 ajustados, você usará o playground de Conclusões e a API de Conclusões. Para modelos de gpt-35-turbo-0613 ajustados, você usará o playground de chat e a API de conclusão do Chat.

Analisar seu modelo personalizado

O Azure OpenAI anexa um arquivo de resultados chamado results.csv a cada trabalho de ajuste fino após a conclusão. Você pode usar o arquivo de resultado para analisar o desempenho de treinamento e validação do modelo personalizado. A ID do arquivo de resultado está listada para cada modelo personalizado na coluna ID do arquivo de resultado do painel Modelos do Azure AI Foundry. Você pode usar a ID do arquivo para identificar e baixar o arquivo de resultado do painel Arquivos de dados do Azure AI Foundry.

O arquivo de resultado é um arquivo CSV que contém uma linha de cabeçalho e uma linha para cada etapa de treinamento executada pelo trabalho de ajuste fino. O arquivo de resultado contém as seguintes colunas:

Você também pode ver os dados no seu arquivo results.csv na forma de gráficos no portal do Azure AI Foundry. Selecione o link de um modelo treinado e você verá três gráficos: perda, precisão média de token e precisão de token. Se você forneceu dados de validação, ambos os conjuntos de dados aparecerão no mesmo gráfico.

Observe que sua perda diminui com o tempo e sua precisão aumenta. Se houver uma divergência entre os dados de treinamento e de validação, isso pode indicar que você está com sobreajuste. Tente treinar com menos épocas ou com um multiplicador de taxa de aprendizado menor.

Limpar suas implantações, modelos de personalizados e arquivos de treinamento

Quando terminar o modelo personalizado, você poderá excluir a implantação e o modelo. Você também pode excluir os arquivos de treinamento e validação carregados no serviço, se necessário.

Excluir a implantação do modelo

Você pode excluir a implantação do seu modelo personalizado no painel Implantações no portal do Azure AI Foundry. Selecione a implantação a ser excluída e, em seguida, selecione Excluir para excluir a implantação.

Usar seu modelo personalizado

Você pode excluir um modelo personalizado no painel Modelos no portal do Azure AI Foundry. Selecione o modelo personalizado a ser excluído da guia Modelos personalizados e selecione Excluir para excluir o modelo personalizado.

Excluir seus arquivos de treinamento

Opcionalmente, você pode excluir os arquivos de treinamento e validação carregados para treinamento e os arquivos de resultados gerados durante o treinamento no painel Gerenciamento>Arquivos de dados no portal do Azure AI Foundry. Selecione o arquivo a ser excluído e, em seguida, selecione Excluir para excluir o arquivo.

Ajuste fino contínuo

Depois de criar um modelo ajustado, convém continuar a refinar o modelo ao longo do tempo por meio de ajustes mais finos. O ajuste fino contínuo é o processo iterativo de selecionar um modelo já ajustado como um modelo base e ajustá-lo ainda mais em novos conjuntos de exemplos de treinamento.

Para executar o ajuste fino em um modelo que você ajustou anteriormente, você usaria o mesmo processo descrito em criar um modelo personalizado mas, em vez de especificar o nome de um modelo base genérico, você especificaria seu modelo já ajustado. Um modelo personalizado e ajustado seria parecido com gpt-35-turbo-0613.ft-5fd1918ee65d4cd38a5dcf6835066ed7

Também recomendamos incluir o parâmetro suffix para facilitar a distinção entre diferentes iterações do seu modelo ajustado. suffix usa uma cadeia de caracteres e está definido para identificar o modelo ajustado. Com a API do Python OpenAI, há suporte para uma cadeia de caracteres de até 18 caracteres que será adicionada ao seu nome de modelo ajustado.

Pré-requisitos

• Leia o guia Quando usar o ajuste fino do Azure OpenAI.

• Uma assinatura do Azure – Crie uma gratuitamente.

• Um recurso do hub de IA do Azure.

• Um projeto da IA do Azure no portal do Azure AI Foundry.

• Uma conexão do OpenAI do Azure a um recurso em uma região em que o ajuste fino esteja disponível.

  Observação

  As regiões com suporte podem variar se você usar modelos do Azure OpenAI em um projeto do Azure AI Foundry versus fora de um projeto.

• O acesso ao ajuste fino requer a função de Colaborador do OpenAI dos Serviços Cognitivos no recurso OpenAI do Azure.

• Se ainda não tiver acesso para ver a cota e implantar modelos no portal do Azure AI Foundry, você vai precisar de mais permissões.

Modelos

Os seguintes modelos dão suporte ao ajuste fino:

• babbage-002
• davinci-002
• gpt-35-turbo (0613)
• gpt-35-turbo (1106)
• gpt-35-turbo (0125)
• gpt-4 (0613)^*
• gpt-4o (2024-08-06)
• gpt-4o-mini (18/07/2024)

^* O ajuste fino desse modelo está atualmente em visualização pública.

Ou você pode fazer o ajuste fino de um modelo previamente ajustado, formatado como base-model.ft-{jobid}.

Consulte a página de modelos para verificar quais regiões atualmente dão suporte ao ajuste fino.

Conferir o fluxo de trabalho do Azure AI Foundry

Reserve um momento para conferir o fluxo de trabalho de ajuste fino para usar o Azure AI Foundry:

1. Preparar seus dados de treinamento e validação.
2. Use o assistente Fazer ajuste fino do modelo no portal do Azure AI Foundry para treinar seu modelo personalizado.
   1. Selecione um modelo.
   2. Escolher seus dados de treinamento.
   3. Opcionalmente, escolha seus dados de validação.
   4. Opcionalmente, configure seus parâmetros para seu trabalho de ajuste fino.
   5. Examine suas escolhas e treine seu novo modelo personalizado
3. Verifique o status do seu modelo ajustado.
4. Opcionalmente, analise o desempenho e adequação do seu modelo ajustado.
5. Implante seu modelo ajustado para uso.
6. Use seu modelo ajustado.

Preparar seus dados de treinamento e validação

Seu conjunto de dados de treinamento e de validação consiste em exemplos de saída de entrada e saída para o desempenho do modelo.

Diferentes tipos de modelo exigem um formato diferente de dados de treinamento.

{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Is Xbox better than PlayStation?"}, {"role": "assistant", "content": "I apologize, but I cannot provide personal opinions. My primary job is to assist you with any issues related to your Xbox device. Do you have any Xbox-related issues that need addressing?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Can I play PC games on my Xbox?"}, {"role": "assistant", "content": "While Xbox consoles don't natively support PC games, they can play an array of Xbox games, many of which are also available on PC. Can I assist you with finding games compatible with your Xbox device?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "I'm having trouble connecting my Xbox to the Wi-Fi."}, {"role": "assistant", "content": "No worries, let's go through the network settings on your Xbox. Can you please tell me what happens when you try to connect it to the Wi-Fi?"}]}

{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "What's the capital of France?"}, {"role": "assistant", "content": "Paris", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Paris, as if everyone doesn't know that already.", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "Who wrote 'Romeo and Juliet'?"}, {"role": "assistant", "content": "William Shakespeare", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Oh, just some guy named William Shakespeare. Ever heard of him?", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "How far is the Moon from Earth?"}, {"role": "assistant", "content": "384,400 kilometers", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Around 384,400 kilometers. Give or take a few, like that really matters.", "weight": 1}]}

{"messages": [{"role": "user", "content": [{"type": "text", "text": "What's in this image?"}, {"type": "image_url", "image_url": {"url": "https://raw.githubusercontent.com/MicrosoftDocs/azure-ai-docs/main/articles/ai-services/openai/media/how-to/generated-seattle.png"}}]}, {"role": "assistant", "content": "The image appears to be a watercolor painting of a city skyline, featuring tall buildings and a recognizable structure often associated with Seattle, like the Space Needle. The artwork uses soft colors and brushstrokes to create a somewhat abstract and artistic representation of the cityscape."}]}

{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}

pip install openai==0.28.1

openai tools fine_tunes.prepare_data -f <LOCAL_FILE>

Criar seu modelo ajustado

Para ajustar um modelo do OpenAI do Azure em um projeto existente do Azure AI Foundry, siga essas etapas:

1. Entre no IA do Azure Foundry e selecione seu projeto. Caso ainda não tenha um projeto, primeiro crie um.

2. No menu esquerdo recolhível, selecione Ajuste fino>+ Modelo de ajuste fino.

   

Selecione um modelo base

1. Selecione um modelo base para o ajuste fino. Sua escolha influencia tanto o desempenho quanto o custo do modelo. Neste exemplo, escolhemos o modelo gpt-35-turbo. Em seguida, selecione Confirmar.

   

2. Para gpt-35-turbo, temos versões diferentes disponíveis para ajuste fino, portanto, escolha qual versão você gostaria de ajustar. Escolheremos (0301).

3. Também recomendamos incluir o parâmetro suffix para facilitar a distinção entre diferentes iterações do seu modelo ajustado. suffix usa uma cadeia de caracteres e está definido para identificar o modelo ajustado. Com a API do Python OpenAI, há suporte para uma cadeia de caracteres de até 18 caracteres que será adicionada ao seu nome de modelo ajustado.

Se você tiver mais de uma conexão do OpenAI do Azure habilitada para ajuste fino, escolha qual recurso usar. Observe que todos os usuários com acesso ao recurso do OpenAI do Azure terão acesso a esse modelo ajustado.

1. Em seguida, selecione Avançar.

   

Escolher seus dados de treinamento

A próxima etapa é escolher dados de treinamento preparados existentes ou carregar novos dados de treinamento preparados para usar ao personalizar seu modelo. O painel Dados de treinamento exibe todos os conjuntos de dados existentes carregados anteriormente e também oferece opções para carregar novos dados de treinamento.

• Se seus dados de treinamento já estiverem no seu projeto, selecione Dados no portal do Azure AI Foundry.

  • Selecione o arquivo na lista mostrada no painel Dados de treinamento.

• Se os dados de treinamento já estiverem carregados no serviço OpenAI do Azure, selecione sua conexão do OpenAI do Azure em Conexão OpenAI do Azure.

• Para carregar dados de treinamento para ajustar seu modelo, selecione Carregar dados e selecione Carregar arquivo.

  • Verifique se todos os seus exemplos de treinamento seguem o formato esperado para inferência. Para ajustar os modelos com eficiência, garanta um conjunto de dados equilibrado e diversificado. Isso envolve manter o equilíbrio de dados, incluindo vários cenários e refinar periodicamente dados de treinamento para se alinhar às expectativas do mundo real, levando a respostas de modelo mais precisas e equilibradas. Confira a preparação de dados para obter mais informações.
  • Para arquivos de dados grandes, recomendamos que você importe de um armazenamento de Blob do Azure. Arquivos grandes podem se tornar instáveis quando carregados por meio de formulários de várias partes porque as solicitações são atômicas e não podem ser repetidas ou retomadas. Para obter mais informações sobre o Armazenamento de Blobs do Azure, confira O que é o Armazenamento de Blobs do Azure?

Depois de carregar os arquivos, você verá uma pré-visualização dos dados de treinamento. Selecione Avançar para continuar.

Escolha seus dados de validação

Opcionalmente, você pode escolher fornecer dados de validação para ajustar seu modelo. Se você não quiser usar dados de validação, você pode selecionar Nenhum e Avançar para continuar com as opções avançadas do modelo.

Caso contrário, se você tiver um conjunto de dados de validação, poderá escolher os dados previamente carregados ou carregar novos dados de validação preparados a serem usados para ajuste fino do seu modelo.

Configurar seus parâmetros

Opcionalmente, configure os parâmetros para seu trabalho de ajuste fino. Os itens a seguir estão disponíveis:

Você pode optar por deixar a configuração padrão ou personalizar os valores de acordo com sua preferência. Depois de terminar de fazer suas configurações, selecione Avançar.

Examinar suas escolhas e treinar seu modelo

Examine suas escolhas e selecione Enviar para começar a treinar seu novo modelo ajustado.

Verificar o status do seu modelo ajustado

Depois de enviar seu trabalho de ajuste fino, você verá uma página com detalhes sobre seu modelo ajustado. Você pode encontrar o status e mais informações sobre seu modelo ajustado na página Ajuste fino>Modelos no portal do Azure AI Foundry.

Seu trabalho pode estar na fila por trás de outros trabalhos no sistema. O treinamento do modelo pode levar minutos ou horas, dependendo do tamanho do modelo e do conjunto de dados.

Analisar seu modelo ajustado

Depois que o ajuste fino for concluído com êxito, você poderá baixar um arquivo de resultado chamado results.csv da página do modelo ajustado na guia Detalhes. Você pode usar o arquivo de resultado para analisar o desempenho de treinamento e validação do modelo personalizado.

O arquivo de resultado é um arquivo CSV que contém uma linha de cabeçalho e uma linha para cada etapa de treinamento executada pelo trabalho de ajuste fino. O arquivo de resultado contém as seguintes colunas:

Você também pode ver os dados no seu arquivo results.csv na forma de gráficos no portal do Azure AI Foundry, na guia Métricas do seu modelo ajustado. Selecione o link para o modelo treinado e você verá dois gráficos: perda e precisão de token. Se você forneceu dados de validação, ambos os conjuntos de dados aparecerão no mesmo gráfico.

Observe que sua perda diminui com o tempo e sua precisão aumenta. Se houver uma divergência entre os dados de treinamento e de validação, isso pode indicar que você está com sobreajuste. Tente treinar com menos épocas ou com um multiplicador de taxa de aprendizado menor.

Pontos de verificação

Quando cada época de treinamento é concluída, um ponto de verificação é gerado. Um ponto de verificação é uma versão totalmente funcional de um modelo que pode ser implantado e usado como modelo de destino para trabalhos de ajuste fino subsequentes. Os checkpoints podem ser particularmente úteis, pois podem fornecer um instantâneo do seu modelo antes de ocorrer o sobreajuste. Quando um trabalho de ajuste fino for concluído, você terá as três versões mais recentes do modelo disponíveis para implantação.

Avaliação de segurança do ajuste fino do GPT-4, GPT-4o, GPT-4o-mini – Visualização pública

GPT-4o, GPT-4o-mini e GPT-4 são os nossos modelos mais avançados que podem ser ajustados às suas necessidades. Assim como acontece com os modelos do Azure OpenAI em geral, os recursos avançados de modelos com ajuste fino vêm com desafios de IA responsável maiores relacionados a conteúdo prejudicial, manipulação, comportamento humano, problemas de privacidade e muito mais. Saiba mais sobre riscos, funcionalidades e limitações na Visão geral das práticas de IA responsável e Nota de transparência. Para ajudar a atenuar os riscos associados a modelos avançados com ajuste fino, implementamos etapas de avaliação adicionais para ajudar a detectar e prevenir conteúdo nocivo no treinamento e nas saídas de modelos com ajuste fino. Essas etapas são fundamentadas na filtragem de conteúdo do Microsoft Responsible AI Standard e do Serviço OpenAI do Azure.

• As avaliações são realizadas em workspaces dedicados, específicos do cliente e privados;
• Os pontos de extremidade de avaliação estão na mesma área geográfica que o recurso do Azure OpenAI;
• Os dados de treinamento não são armazenados em conexão com a execução de avaliações; somente a avaliação final do modelo (implantável ou não implantável) é mantida; e

Os filtros de avaliação de modelo com ajuste fino do GPT-4o, GPT-4o-mini e GPT-4 são definidos com limites predefinidos e não podem ser modificados pelos clientes; eles não estão vinculados a nenhuma configuração de filtragem de conteúdo personalizada que você possa ter criado.

Avaliação dos dados

Antes do início do treinamento, seus dados são avaliados quanto a conteúdo potencialmente prejudicial (violência, sexual, ódio e imparcialidade, automutilação – confira as definições de categoria aqui). Se conteúdo nocivo for detectado acima do nível de gravidade especificado, o trabalho de treinamento falhará e você receberá uma mensagem informando sobre as categorias de falha.

Mensagem de exemplo:

The provided training data failed RAI checks for harm types: [hate_fairness, self_harm, violence]. Please fix the data and try again.

Seus dados de treinamento são avaliados automaticamente em seu trabalho de importação de dados como parte do fornecimento da funcionalidade de ajuste fino.

Se o trabalho de ajuste fino falhar devido à detecção de conteúdo prejudicial nos dados de treinamento, você não será cobrado.

Avaliação de modelos

Após a conclusão do treinamento, mas antes que o modelo ajustado esteja disponível para implantação, o modelo resultante é avaliado quanto à presença de respostas potencialmente prejudiciais usando as métricas de risco e segurança internas do Azure. Usando a mesma abordagem de teste que usamos para os modelos de linguagem grandes de base, nossa capacidade de avaliação simula uma conversa com o seu modelo ajustado para avaliar o potencial de produzir conteúdo prejudicial, novamente usando categorias de conteúdo nocivo especificadas (violência, sexual, ódio e imparcialidade, automutilação).

Se for encontrado um modelo para gerar uma saída que contenha conteúdo detectado como prejudicial acima de uma taxa aceitável, você será informado de que seu modelo não está disponível para implantação, com informações sobre as categorias específicas de danos detectadas:

Mensagem de exemplo:

This model is unable to be deployed. Model evaluation identified that this fine tuned model scores above acceptable thresholds for [Violence, Self Harm]. Please review your training data set and resubmit the job.

Assim como na avaliação de dados, o modelo é avaliado automaticamente em seu trabalho de ajuste fino como parte do fornecimento da funcionalidade de ajuste fino. Somente a avaliação resultante (implantável ou não implantável) é registrada pelo serviço. Se a implantação do modelo com ajuste fino falhar devido à detecção de conteúdo prejudicial em saídas de modelo, você não será cobrado pela execução do treinamento.

Implantar um modelo ajustado

Depois que o modelo estiver ajustado, você poderá implantar o modelo e usá-lo em seu próprio aplicativo. Você não pode implantar um modelo ajustado a partir da página de implantações ou da página do playground no portal do Azure AI Foundry. A única maneira, atualmente, de implantar um modelo ajustado é a partir da página de detalhes do modelo para este modelo.

Ao implantar o modelo, você disponibiliza o modelo para inferência e isso incorre em um custo de hospedagem por hora. Os modelos ajustados, no entanto, podem ser armazenados no portal do Azure AI Foundry sem nenhum custo até que você esteja com tudo pronto para usá-los.

Você pode monitorar o andamento da sua implantação na página Implantações no portal do Azure AI Foundry.

Usar um modelo ajustado implantado

Depois que seu modelo ajustado for implantado, você pode usá-lo como qualquer outro modelo implantado. Você pode usar o Playground no Azure AI Foundry para experimentar sua nova implantação. Você também pode usar a API REST para chamar seu modelo ajustado do seu próprio aplicativo. Você pode até começar a usar esse novo modelo ajustado em seu prompt flow para criar seu aplicativo de IA generativa.

Limpar suas implantações, modelos de ajuste fino e arquivos de treinamento

Quando não for mais usar o modelo ajustado, você pode excluir a implantação e o modelo. Você também pode excluir os arquivos de treinamento e validação carregados no serviço, se necessário.

Excluir a implantação do seu modelo de ajuste fino

Você pode excluir a implantação do seu modelo ajustado na página Implantações no portal do Azure AI Foundry. Selecione a implantação a ser excluída e, em seguida, selecione Excluir para excluir a implantação.

Excluir seu modelo de fino ajuste

Você pode excluir um modelo ajustado na página Ajuste fino no portal do Azure AI Foundry. Selecione o modelo ajustado a ser excluído e, em seguida, selecione Excluir para excluir o modelo ajustado.

Excluir seus arquivos de treinamento

Opcionalmente, você pode excluir arquivos de treinamento e validação carregados para treinamento e arquivos de resultado gerados durante o treinamento. Para isso, você precisa acessar o Estúdio do OpenAI do Azure e navegar até o painel Gerenciamento>Arquivos de dados. Selecione o arquivo a ser excluído e, em seguida, selecione Excluir para excluir o arquivo.

Os dados de treinamento e validação usados devem ser formatados como um documento JSONL (Linhas JSON). Para gpt-35-turbo-0613 o conjunto de dados de ajuste fino deve ser formatado no formato de conversa que é usado pelas conclusões do Chat API.

Se você quiser um passo a passo de ajustar um gpt-35-turbo-0613 consulte o tutorial de ajuste fino do Azure OpenAI

Formato de arquivo de exemplo

{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Is Xbox better than PlayStation?"}, {"role": "assistant", "content": "I apologize, but I cannot provide personal opinions. My primary job is to assist you with any issues related to your Xbox device. Do you have any Xbox-related issues that need addressing?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Can I play PC games on my Xbox?"}, {"role": "assistant", "content": "While Xbox consoles don't natively support PC games, they can play an array of Xbox games, many of which are also available on PC. Can I assist you with finding games compatible with your Xbox device?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "I'm having trouble connecting my Xbox to the Wi-Fi."}, {"role": "assistant", "content": "No worries, let's go through the network settings on your Xbox. Can you please tell me what happens when you try to connect it to the Wi-Fi?"}]}

Formato de arquivo de chat multiturno

Também há suporte para vários turnos de conversa em uma única linha do seu arquivo de treinamento jsonl. Para pular o ajuste fino em mensagens específicas do assistente, adicione o par de weight valores-chave opcional. Atualmente weight pode ser definido como 0 ou 1.

{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "What's the capital of France?"}, {"role": "assistant", "content": "Paris", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Paris, as if everyone doesn't know that already.", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "Who wrote 'Romeo and Juliet'?"}, {"role": "assistant", "content": "William Shakespeare", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Oh, just some guy named William Shakespeare. Ever heard of him?", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "How far is the Moon from Earth?"}, {"role": "assistant", "content": "384,400 kilometers", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Around 384,400 kilometers. Give or take a few, like that really matters.", "weight": 1}]}

Preenchimentos de chat com Visão

{"messages": [{"role": "user", "content": [{"type": "text", "text": "What's in this image?"}, {"type": "image_url", "image_url": {"url": "https://raw.githubusercontent.com/MicrosoftDocs/azure-ai-docs/main/articles/ai-services/openai/media/how-to/generated-seattle.png"}}]}, {"role": "assistant", "content": "The image appears to be a watercolor painting of a city skyline, featuring tall buildings and a recognizable structure often associated with Seattle, like the Space Needle. The artwork uses soft colors and brushstrokes to create a somewhat abstract and artistic representation of the cityscape."}]}

Além do formato JSONL, os arquivos de dados de treinamento e validação devem ser codificados em UTF-8 e incluir uma marca de ordem de byte (BOM). O arquivo deve ter menos de 512 MB de tamanho.

Crie seus conjuntos de dados de treinamento e validação

Quanto mais exemplos de treinamento você tiver, melhor. Os trabalhos de ajuste fino não prosseguirão sem pelo menos 10 exemplos de treinamento, mas um número tão pequeno não é suficiente para influenciar visivelmente as respostas do modelo. A melhor prática é fornecer centenas, se não milhares, de exemplos de treinamento para ter sucesso.

Em geral, dobrar o tamanho do conjunto de dados pode levar a um aumento linear na qualidade do modelo. Mas tenha em mente que exemplos de baixa qualidade podem afetar negativamente o desempenho. Se você treinar o modelo em uma grande quantidade de dados internos, sem primeiro podar o conjunto de dados apenas para os exemplos de mais alta qualidade, você poderá acabar com um modelo que tenha um desempenho muito pior do que o esperado.

Os dados de treinamento e validação que você usa devem ser formatados como um documento JSONL (Linhas JSON) no qual cada linha representa um único par de conclusão de prompt. A CLI (interface de linha de comando) do OpenAI inclui uma ferramenta de preparação de dados que valida, dá sugestões e reformata seus dados de treinamento em um arquivo JSONL pronto para ajuste fino.

{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}

Além do formato JSONL, os arquivos de dados de treinamento e validação devem ser codificados em UTF-8 e incluir uma marca de ordem de byte (BOM). O arquivo deve ter menos de 512 MB de tamanho.

Crie seus conjuntos de dados de treinamento e validação

Projetar seus prompts e conclusões para ajuste fino é diferente de projetar seus prompts para uso com qualquer um de nossos modelos base GPT-3. Solicitações para chamadas de conclusão, geralmente usam instruções detalhadas ou técnicas de aprendizagem com poucas capturas e consistem em vários exemplos. Para os ajustes finos, cada exemplo de treinamento deve consistir em um único prompt de entrada e sua saída concluída. Você não precisa dar instruções detalhadas ou vários exemplos de conclusão no mesmo prompt.

Quanto mais exemplos de treinamento você tiver, melhor. Os trabalhos de ajuste fino não prosseguirão sem pelo menos 10 exemplos de treinamento, mas um número tão pequeno não é suficiente para influenciar visivelmente as respostas do modelo. A melhor prática é fornecer centenas, se não milhares, de exemplos de treinamento para ter sucesso.

Em geral, dobrar o tamanho do conjunto de dados pode levar a um aumento linear na qualidade do modelo. Mas tenha em mente que exemplos de baixa qualidade podem afetar negativamente o desempenho. Se você treinar o modelo em uma grande quantidade de dados internos, sem primeiro podar o conjunto de dados apenas para os exemplos de mais alta qualidade, você poderá acabar com um modelo que tenha um desempenho muito pior do que o esperado.

Ferramenta de preparação de dados da CLI do OpenAI

A ferramenta de preparação de dados da CLI do OpenAI foi desenvolvida para a geração anterior de modelos de ajuste fino para ajudar com muitas das etapas de preparação de dados. Essa ferramenta só funcionará para preparação de dados para modelos que funcionam com a API de conclusão como babbage-002 e davinci-002. A ferramenta valida, dá sugestões e reformata seus dados em um arquivo JSONL pronto para ajuste fino.

Para instalar a CLI do OpenAI, execute o seguinte comando Python:

pip install openai==0.28.1

Para analisar seus dados de treinamento com a ferramenta de preparação de dados, execute o comando Python a seguir. Substitua o argumento <LOCAL_FILE> pelo caminho completo e pelo nome do arquivo de dados de treinamento a ser analisado:

openai tools fine_tunes.prepare_data -f <LOCAL_FILE>

Essa ferramenta aceita arquivos nos seguintes formatos de dados, se eles contiverem um prompt e uma coluna/chave de conclusão:

• (CSV) Valores separados por vírgula
• Valores separados por tabulação (TSV)
• Pasta de trabalho do Microsoft Excel (XLSX)
• JSON (JavaScript Object Notation)
• Linhas JSON (JSONL)

Depois de orientar você pelo processo de implementação de alterações sugeridas, a ferramenta reformata seus dados de treinamento e salva a saída em um arquivo JSONL pronto para ajuste fino.

# Upload fine-tuning files

import os
from openai import AzureOpenAI

client = AzureOpenAI(
  azure_endpoint = os.getenv("AZURE_OPENAI_ENDPOINT"), 
  api_key=os.getenv("AZURE_OPENAI_API_KEY"),  
  api_version="2024-05-01-preview"  # This API version or later is required to access seed/events/checkpoint capabilities
)

training_file_name = 'training_set.jsonl'
validation_file_name = 'validation_set.jsonl'

# Upload the training and validation dataset files to Azure OpenAI with the SDK.

training_response = client.files.create(
    file=open(training_file_name, "rb"), purpose="fine-tune"
)
training_file_id = training_response.id

validation_response = client.files.create(
    file=open(validation_file_name, "rb"), purpose="fine-tune"
)
validation_file_id = validation_response.id

print("Training file ID:", training_file_id)
print("Validation file ID:", validation_file_id)

# Upload fine-tuning files

import openai
import os

openai.api_key = os.getenv("AZURE_OPENAI_API_KEY") 
openai.api_base =  os.getenv("AZURE_OPENAI_ENDPOINT")
openai.api_type = 'azure'
openai.api_version = '2024-02-01' # This API version or later is required to access fine-tuning for turbo/babbage-002/davinci-002

training_file_name = 'training_set.jsonl'
validation_file_name = 'validation_set.jsonl'

# Upload the training and validation dataset files to Azure OpenAI with the SDK.

training_response = openai.File.create(
    file=open(training_file_name, "rb"), purpose="fine-tune", user_provided_filename="training_set.jsonl"
)
training_file_id = training_response["id"]

validation_response = openai.File.create(
    file=open(validation_file_name, "rb"), purpose="fine-tune", user_provided_filename="validation_set.jsonl"
)
validation_file_id = validation_response["id"]

print("Training file ID:", training_file_id)
print("Validation file ID:", validation_file_id)

Nesse exemplo também estamos passando o parâmetro seed. A semente controla a reprodutibilidade do trabalho. Passar os mesmos parâmetros iniciais e de trabalho deve produzir os mesmos resultados, mas pode diferir em casos raros. Se uma semente não for especificada, uma será gerada para você.

response = client.fine_tuning.jobs.create(
    training_file=training_file_id,
    validation_file=validation_file_id,
    model="gpt-35-turbo-0613", # Enter base model name. Note that in Azure OpenAI the model name contains dashes and cannot contain dot/period characters. 
    seed = 105  # seed parameter controls reproducibility of the fine-tuning job. If no seed is specified one will be generated automatically.
)

job_id = response.id

# You can use the job ID to monitor the status of the fine-tuning job.
# The fine-tuning job will take some time to start and complete.

print("Job ID:", response.id)
print("Status:", response.id)
print(response.model_dump_json(indent=2))

response = openai.FineTuningJob.create(
    training_file=training_file_id,
    validation_file=validation_file_id,
    model="gpt-35-turbo-0613",
)

job_id = response["id"]

# You can use the job ID to monitor the status of the fine-tuning job.
# The fine-tuning job will take some time to start and complete.

print("Job ID:", response["id"])
print("Status:", response["status"])
print(response)

response = client.fine_tuning.jobs.retrieve(job_id)

print("Job ID:", response.id)
print("Status:", response.status)
print(response.model_dump_json(indent=2))

#Retrieve training job ID

response = openai.FineTuningJob.retrieve(job_id)

print("Job ID:", response["id"])
print("Status:", response["status"])
print(response)

Pode ser necessário atualizar sua biblioteca cliente OpenAI para a versão mais recente com pip install openai --upgrade para executar esse comando.

response = client.fine_tuning.jobs.list_events(fine_tuning_job_id=job_id, limit=10)
print(response.model_dump_json(indent=2))

Esse comando não está disponível na biblioteca OpenAI Python 0.28.1. Atualize para a versão mais recente.

Pode ser necessário atualizar sua biblioteca cliente OpenAI para a versão mais recente com pip install openai --upgrade para executar esse comando.

response = client.fine_tuning.jobs.list_events(fine_tuning_job_id=job_id, limit=10)
print(response.model_dump_json(indent=2))

Esse comando não está disponível na biblioteca OpenAI Python 0.28.1. Atualize para a versão mais recente.

import os
from openai import AzureOpenAI

client = AzureOpenAI(
  azure_endpoint = os.getenv("AZURE_OPENAI_ENDPOINT"), 
  api_key=os.getenv("AZURE_OPENAI_API_KEY"),  
  api_version="2024-02-01"
)

response = client.chat.completions.create(
    model="gpt-35-turbo-ft", # model = "Custom deployment name you chose for your fine-tuning model"
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Does Azure OpenAI support customer managed keys?"},
        {"role": "assistant", "content": "Yes, customer managed keys are supported by Azure OpenAI."},
        {"role": "user", "content": "Do other Azure AI services support this too?"}
    ]
)

print(response.choices[0].message.content)

import os
import openai
openai.api_type = "azure"
openai.api_base = os.getenv("AZURE_OPENAI_ENDPOINT") 
openai.api_version = "2024-02-01"
openai.api_key = os.getenv("AZURE_OPENAI_API_KEY")

response = openai.ChatCompletion.create(
    engine="gpt-35-turbo-ft", # engine = "Custom deployment name you chose for your fine-tuning model"
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Does Azure OpenAI support customer managed keys?"},
        {"role": "assistant", "content": "Yes, customer managed keys are supported by Azure OpenAI."},
        {"role": "user", "content": "Do other Azure AI services support this too?"}
    ]
)

print(response)
print(response['choices'][0]['message']['content'])

# Retrieve the file ID of the first result file from the fine-tuning job
# for the customized model.
response = client.fine_tuning.jobs.retrieve(job_id)
if response.status == 'succeeded':
    result_file_id = response.result_files[0]

retrieve = client.files.retrieve(result_file_id)

# Download the result file.
print(f'Downloading result file: {result_file_id}')

with open(retrieve.filename, "wb") as file:
    result = client.files.content(result_file_id).read()
    file.write(result)

# Retrieve the file ID of the first result file from the fine-tune job
# for the customized model.
response = openai.FineTuningJob.retrieve(job_id)
if response["status"] == 'succeeded':
    result_file_id = response.result_files[0].id
    result_file_name = response.result_files[0].filename

# Download the result file.
print(f'Downloading result file: {result_file_id}')
# Write the byte array returned by the File.download() method to 
# a local file in the working directory.
with open(result_file_name, "wb") as file:
    result = openai.File.download(id=result_file_id)
    file.write(result)

Os dados de treinamento e validação usados devem ser formatados como um documento JSONL (Linhas JSON). Para gpt-35-turbo-0613 e outros modelos relacionados, o conjunto de dados de ajuste fino deve ser formatado no formato conversacional usado pela API de conclusões de chat.

Se desejar um passo a passo do ajuste fino de um gpt-35-turbo-0613 consulte o tutorial de ajuste fino do Azure OpenAI.

Formato de arquivo de exemplo

{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Is Xbox better than PlayStation?"}, {"role": "assistant", "content": "I apologize, but I cannot provide personal opinions. My primary job is to assist you with any issues related to your Xbox device. Do you have any Xbox-related issues that need addressing?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Can I play PC games on my Xbox?"}, {"role": "assistant", "content": "While Xbox consoles don't natively support PC games, they can play an array of Xbox games, many of which are also available on PC. Can I assist you with finding games compatible with your Xbox device?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "I'm having trouble connecting my Xbox to the Wi-Fi."}, {"role": "assistant", "content": "No worries, let's go through the network settings on your Xbox. Can you please tell me what happens when you try to connect it to the Wi-Fi?"}]}

Formato de arquivo de chat multiturno

Também há suporte para vários turnos de conversa em uma única linha do seu arquivo de treinamento jsonl. Para pular o ajuste fino em mensagens específicas do assistente, adicione o par de weight valores-chave opcional. Atualmente weight pode ser definido como 0 ou 1.

{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "What's the capital of France?"}, {"role": "assistant", "content": "Paris", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Paris, as if everyone doesn't know that already.", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "Who wrote 'Romeo and Juliet'?"}, {"role": "assistant", "content": "William Shakespeare", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Oh, just some guy named William Shakespeare. Ever heard of him?", "weight": 1}]}
{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "How far is the Moon from Earth?"}, {"role": "assistant", "content": "384,400 kilometers", "weight": 0}, {"role": "user", "content": "Can you be more sarcastic?"}, {"role": "assistant", "content": "Around 384,400 kilometers. Give or take a few, like that really matters.", "weight": 1}]}

Preenchimentos de chat com Visão

{"messages": [{"role": "user", "content": [{"type": "text", "text": "What's in this image?"}, {"type": "image_url", "image_url": {"url": "https://raw.githubusercontent.com/MicrosoftDocs/azure-ai-docs/main/articles/ai-services/openai/media/how-to/generated-seattle.png"}}]}, {"role": "assistant", "content": "The image appears to be a watercolor painting of a city skyline, featuring tall buildings and a recognizable structure often associated with Seattle, like the Space Needle. The artwork uses soft colors and brushstrokes to create a somewhat abstract and artistic representation of the cityscape."}]}

Além do formato JSONL, os arquivos de dados de treinamento e validação devem ser codificados em UTF-8 e incluir uma marca de ordem de byte (BOM). O arquivo deve ter menos de 512 MB de tamanho.

Crie seus conjuntos de dados de treinamento e validação

Quanto mais exemplos de treinamento você tiver, melhor. Os trabalhos de ajuste fino não prosseguirão sem pelo menos 10 exemplos de treinamento, mas um número tão pequeno não é suficiente para influenciar visivelmente as respostas do modelo. A melhor prática é fornecer centenas, se não milhares, de exemplos de treinamento para ter sucesso.

Em geral, dobrar o tamanho do conjunto de dados pode levar a um aumento linear na qualidade do modelo. Mas tenha em mente que exemplos de baixa qualidade podem afetar negativamente o desempenho. Se você treinar o modelo em uma grande quantidade de dados internos, sem primeiro podar o conjunto de dados apenas para os exemplos de mais alta qualidade, você poderá acabar com um modelo que tenha um desempenho muito pior do que o esperado.

Os dados de treinamento e validação que você usa devem ser formatados como um documento JSONL (Linhas JSON) no qual cada linha representa um único par de conclusão de prompt. A CLI (interface de linha de comando) do OpenAI inclui uma ferramenta de preparação de dados que valida, dá sugestões e reformata seus dados de treinamento em um arquivo JSONL pronto para ajuste fino.

{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}

Além do formato JSONL, os arquivos de dados de treinamento e validação devem ser codificados em UTF-8 e incluir uma marca de ordem de byte (BOM). O arquivo deve ter menos de 512 MB de tamanho.

Crie seus conjuntos de dados de treinamento e validação

Projetar seus prompts e conclusões para ajuste fino é diferente de projetar seus prompts para uso com qualquer um de nossos modelos base GPT-3. Solicitações para chamadas de conclusão, geralmente usam instruções detalhadas ou técnicas de aprendizagem com poucas capturas e consistem em vários exemplos. Para os ajustes finos, cada exemplo de treinamento deve consistir em um único prompt de entrada e sua saída concluída. Você não precisa dar instruções detalhadas ou vários exemplos de conclusão no mesmo prompt.

Quanto mais exemplos de treinamento você tiver, melhor. Os trabalhos de ajuste fino não prosseguirão sem pelo menos 10 exemplos de treinamento, mas um número tão pequeno não é suficiente para influenciar visivelmente as respostas do modelo. A melhor prática é fornecer centenas, se não milhares, de exemplos de treinamento para ter sucesso.

Em geral, dobrar o tamanho do conjunto de dados pode levar a um aumento linear na qualidade do modelo. Mas tenha em mente que exemplos de baixa qualidade podem afetar negativamente o desempenho. Se você treinar o modelo em uma grande quantidade de dados internos, sem primeiro podar o conjunto de dados apenas para os exemplos de mais alta qualidade, você poderá acabar com um modelo que tenha um desempenho muito pior do que o esperado.

Ferramenta de preparação de dados da CLI do OpenAI

A ferramenta de preparação de dados da CLI do OpenAI foi desenvolvida para a geração anterior de modelos de ajuste fino para ajudar com muitas das etapas de preparação de dados. Essa ferramenta só funcionará para preparação de dados para modelos que funcionam com a API de conclusão como babbage-002 e davinci-002. A ferramenta valida, dá sugestões e reformata seus dados em um arquivo JSONL pronto para ajuste fino.

Para instalar a CLI do OpenAI, execute o seguinte comando Python:

pip install openai==0.28.1

Para analisar seus dados de treinamento com a ferramenta de preparação de dados, execute o comando Python a seguir. Substitua o argumento <LOCAL_FILE> pelo caminho completo e pelo nome do arquivo de dados de treinamento a ser analisado:

openai tools fine_tunes.prepare_data -f <LOCAL_FILE>

Essa ferramenta aceita arquivos nos seguintes formatos de dados, se eles contiverem um prompt e uma coluna/chave de conclusão:

• (CSV) Valores separados por vírgula
• Valores separados por tabulação (TSV)
• Pasta de trabalho do Microsoft Excel (XLSX)
• JSON (JavaScript Object Notation)
• Linhas JSON (JSONL)

Depois de orientar você pelo processo de implementação de alterações sugeridas, a ferramenta reformata seus dados de treinamento e salva a saída em um arquivo JSONL pronto para ajuste fino.