IA generativa no Microsoft Azure (Portuguese Edition)

Capítulo 5. Ajuste fino de modelos de IA generativa en Azure

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Neste capítulo, vamos discutir quando é necessário ajustar modelos de IA generativa d, além de apresentar as diferentes abordagens de ajuste disponíveis em Azure, ajudando você a determinar a melhor estratégia para otimizar o desempenho do modelo.

O ajuste fino é um método poderoso para adaptar grandes modelos de linguagem (LLMs) a tarefas e domínios especializados, atualizando seus parâmetros internos com base em novos dados. Ao lado da engenharia de prompts e do RAG, o ajuste fino oferece uma maneira de incorporar conhecimento diretamente no modelo, permitindo que ele internalize padrões, terminologia ou comportamentos que talvez não estejam bem representados no corpus de treinamento original. Ao contrário do prompting, que depende de entradas instrutivas sem alterar o modelo, ou do RAG, que incorpora dinamicamente o contexto externo no momento da inferência, o ajuste fino refina permanentemente o comportamento do modelo. Essa abordagem permite um controle mais preciso sobre as saídas, melhor desempenho em tarefas específicas de domínio e menor dependência de prompts longos ou mecanismos externos de recuperação. Neste capítulo, vamos explorar quais são as condições ideais para o ajuste fino.

O processo de ajuste fino começa com a continuação do treinamento de um modelo pré-treinado em um novo conjunto ...