L'IA générative sur Microsoft Azure (French Edition)

Chapitre 5. Réglage fin des modèles d'IA générative dans Azure

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans ce chapitre, on va voir quand il est nécessaire d'ajuster les modèles GenAI d', et on va passer en revue les différentes approches d'ajustement disponibles dans Azure, pour t'aider à déterminer la meilleure stratégie pour optimiser les performances des modèles.

Le réglage fin est une méthode puissante pour adapter les grands modèles linguistiques (LLMs) à des tâches et des domaines spécialisés en mettant à jour leurs paramètres internes à partir de nouvelles données. Aux côtés de l'ingénierie des invites et du RAG, le réglage fin permet d'intégrer directement des connaissances dans le modèle, ce qui lui permet d'intérioriser des schémas, une terminologie ou des comportements qui ne sont peut-être pas bien représentés dans son corpus d'entraînement d'origine. Contrairement au prompting, qui repose sur des entrées instructives sans modifier le modèle, ou au RAG, qui intègre dynamiquement un contexte externe au moment de l'inférence, le fine-tuning affine de manière permanente le comportement du modèle. Cette approche permet un contrôle plus précis des résultats, des performances améliorées sur des tâches spécifiques à un domaine et une dépendance réduite vis-à-vis de prompts longs ou de mécanismes de récupération externes. Dans ce chapitre, nous allons explorer quelles sont les conditions ...