Progettazione di applicazioni per modelli linguistici di grandi dimensioni

Capitolo 6. Messa a punto

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Nel capitolo precedente, abbiamo discusso i vari fattori che devono essere presi in considerazione nella scelta dell'LLM giusto per le tue esigenze specifiche, compresi i suggerimenti su come valutare gli LLM per poter fare una scelta informata. Ora utilizziamo questi LLMs per risolvere i nostri compiti.

In questo capitolo esploreremo il processo di adattamento di un LLM per risolvere il compito di tuo interesse, utilizzando il fine-tuning. Verrà illustrato un esempio completo di fine-tuning, che copre tutte le decisioni importanti da prendere. Parleremo anche dell'arte e della scienza della creazione di set di dati di fine-tuning.

La necessità di una messa a punto

Perché abbiamo bisogno di mettere a punto gli LLMs? Perché un LLM pre-addestrato con pochi prompt non è sufficiente per le nostre esigenze? Vediamo un paio di esempi per chiarire questo punto:

Caso d'uso 1

Considera che stai lavorando al compito piuttosto bizzarro di individuare tutte le frasi scritte al passato all'interno di un corpo di testo e di trasformarle in frasi al futuro. Per risolvere questo compito, potresti fornire alcuni esempi di frasi al passato e coppie input-output che rappresentano il passato e le corrispondenti frasi al futuro. Tuttavia, il LLM non sembra essere in grado di affrontare questo compito in modo soddisfacente, commettendo ...