Décidez avec des preuves s'il faut faire un réglage fin d'un modèle et, si vous le faites, faites-le de façon à pouvoir faire confiance au résultat et le maintenir. Vous préparez des données d'entraînement propres, vous entraînez un petit adaptateur LoRA sur un ordinateur ordinaire, vous le comparez au système avec une requête seulement sur les mêmes billets réservés, et vous décidez s'il est mis en production.
Lisez toutes les leçons sans compte, ou connectez-vous pour vous inscrire et suivre vos progrès.
Inscrivez-vous pour enregistrer les leçons que vous terminez. C'est gratuit.
À la fin de ce cours, vous pourrez :
L’assistant de soutien de Larkfield fonctionne. Il utilise un grand modèle hébergé avec une longue requête, et le cours sur l’évaluation l’a mesuré avec soin. Puis Tomás a une idée : « Faisons un réglage fin de notre propre modèle. Il sera moins cher, plus rapide et privé, et il connaîtra nos politiques. » L’idée semble bonne. Mais est-elle vraie, et comment le savoir?
Ce cours est cette décision, argumentée avec des preuves, une étape à la fois. Chaque leçon est courte. Elle enseigne une idée, puis l’équipe discute d’un vrai choix : Tomás veut faire un réglage fin, Priya demande des preuves, Kwame demande ce que cela coûte et Grace demande ce que les clients verront. Vous répondez d’abord, puis vous lisez la réponse du cours, argumentée à partir de résultats mesurés.
Vous commencez par la défaillance : qu’est-ce qui échoue exactement, et une meilleure requête, la recherche de documents ou un outil la corrigerait-il? Ensuite, vous préparez des données d’entraînement avec une origine et une autorisation claires, et vous en gardez les billets de test à l’écart. Vous voyez comment un adaptateur LoRA entraîne une petite partie d’un modèle, et vous en entraînez un sur un ordinateur ordinaire. Vous le comparez au modèle de base, à une meilleure requête, au modèle hébergé et à un classificateur simple sur les mêmes billets réservés.
La réponse peut être « ne pas adapter ». C’est un résultat valide quand les preuves le disent, et le cours vous montre comment l’écrire. Si l’adaptateur vaut la peine d’être gardé, vous l’empaquetez avec tout ce dont il dépend, pour qu’une autre personne puisse le charger, le vérifier et revenir en arrière.
Vous avez suivi les cours L'apprentissage profond et les transformeurs expliqués, Créer des applications fiables avec les API de LLM et Évaluer et tester les systèmes d'IA, ou vous avez les mêmes compétences. Vous n'avez besoin ni d'un processeur graphique, ni d'un compte, ni d'argent. Un entraînement enregistré, son adaptateur et toutes les prédictions sont fournis. Chaque leçon fonctionne donc sans entraînement; entraîner de nouveau est facultatif et fonctionne sur le processeur d'un ordinateur portable.
Cours à suivre avant : L'apprentissage profond et les transformeurs expliqués, Créer des applications fiables avec les API de LLM, Évaluer et tester les systèmes d'IA.
Les personnes qui ont entraîné un petit réseau de neurones, créé une application sur une API de modèle et évalué cette application sur un ensemble réservé, comme dans les cours L'apprentissage profond et les transformeurs expliqués, Créer des applications fiables avec les API de LLM et Évaluer et tester les systèmes d'IA, et qui entendent maintenant « nous devrions faire un réglage fin de notre propre modèle ». Scientifiques des données, ingénieurs en IA et développeurs.
Des spécialistes de l'IA expérimentés ont conçu ce cours. L'IA nous a aidés à rédiger le contenu; des personnes ont choisi l'approche pédagogique et les exemples, et ont révisé chaque leçon. Les résultats que vous voyez sont les vrais résultats de l'exécution du code. Comment nous créons les cours
Décidez d'abord s'il faut adapter le modèle. Trouvez ce qui échoue exactement, comparez une meilleure requête, la recherche de documents, les outils et le réglage fin pour ce besoin, et fixez des cibles et des limites avant tout entraînement.
Préparez des données d'entraînement fiables. Donnez le même format à chaque exemple, notez son origine et ce que vous avez le droit d'en faire, retirez les doublons et les mauvaises étiquettes, et gardez les cas de test hors des données d'entraînement.
Comprenez ce qui change quand vous adaptez un modèle. Comparez le réglage complet et un petit adaptateur LoRA, comptez ce que chacun entraîne dans un vrai modèle, et estimez la mémoire, avec la quantification et les autres méthodes à leur place.
Menez une petite expérience contrôlée. Fixez chaque version, planifiez le temps et la mémoire, entraînez un adaptateur sur le processeur, lisez la perte d'entraînement et de validation, et reprenez un entraînement arrêté à partir d'un point de contrôle.
Jugez l'adaptateur sur plus que sa perte d'entraînement. Comparez-le au modèle de base, à une meilleure requête, au modèle hébergé et à un classificateur simple sur les mêmes billets réservés, cherchez les régressions, et pesez le temps, la mémoire et le coût.
Empaquetez le résultat pour qu'une autre personne puisse l'utiliser, le vérifier et le remplacer, ou notez pourquoi il n'est pas mis en production. Versionnez l'adaptateur avec tout ce dont il dépend, chargez-le et vérifiez-le, et planifiez sa maintenance.
Une étude de cas de bout en bout sur des données ouvertes. Décidez si une équipe doit faire un réglage fin, avec une référence sans entraînement, un petit adaptateur et une note de décision écrite. Terminez-la pour le certificat; c'est une pièce de portfolio.
Terminez au moins une étude de cas pour obtenir le certificat. Les autres sont facultatives. Ce que couvre chacune
Des projets réalistes du début à la fin, sur de vraies données, avec chaque résultat expliqué. Chacun devient une pièce de votre portfolio. Terminez-en au moins une pour obtenir le certificat; les autres sont facultatives.
Cette équipe doit-elle faire un réglage fin?Bientôt
De bout en bout sur un jeu de données public sous licence claire : une référence avec une requête seulement, un petit adaptateur entraîné sur le processeur, la même comparaison sur des cas réservés et une note de décision écrite.
Chargement des avis…
Vous avez suivi ce cours? Connectez-vous pour donner votre avis. Vous pouvez donner un avis après avoir terminé 25 % des leçons.
