このページは Cloud Translation API によって翻訳されました。

PaLM 用の抽出されたテキストモデルを作成する

段階別の抽出では、大規模な教師モデルを使用して、推論機能を改善しより特定のタスクをより適切に実行するように小規模な生徒モデルをトレーニングします。トレーニングされた抽出モデルでは、大規模な教師モデルで扱う同じ処理を、より低コストかつ低レイテンシで行えます。

基盤モデルを抽出する場合は、教師モデルと生徒モデルを使用します。

教師モデルは、必要なことを実行できる大規模モデルです。ただし、教師のモデルは、その大きさのためにコストがかかり、小規模なモデルよりもレイテンシが長くなる可能性があります。
生徒モデルは、教師モデルよりも小さいものになります。トレーニングと抽出のプロセスでは、教師モデルによって生成されたラベル付きの例と推論を使用して、生徒モデルを調整します。結果として得られる抽出モデルのパフォーマンスと推論能力は、元の生徒モデルよりも優れています。

抽出ジョブを作成するときは、教師モデルと生徒モデルを指定します。

モデルのチューニングと抽出のワークフロー

Vertex AI の抽出ワークフローには次の手順からなります。

モデルのチューニング用データセットを準備します。
教師モデルを指定する。
生徒モデルを指定する。
モデルのチューニング用データセットを Cloud Storage バケットにアップロードします。
モデル抽出ジョブを作成する。

モデルの抽出が完了すると、抽出されたモデルが Vertex AI エンドポイントにデプロイされます。エンドポイントの名前は、チューニング済みモデルの名前と同じになります。新しいプロンプトを作成するときに、抽出されたモデルを Vertex AI Studio で選択できます。

サポートされているモデル

教師モデルには、次の項目を指定できます。

text-unicorn@001

生徒モデルには、次の項目を指定できます。

text-bison@002

データセットのフォーマット

抽出は、ラベル付きデータセットまたはラベルなしデータセットで機能します。数百のサンプルを含む高品質のラベル付きデータセットがある場合は、それを使用することをおすすめします。それ以外の場合は、ラベルのないプロンプトデータセットを使用できます。ラベルなしのデータセットを使用すると、教師モデルはラベルと抽出の根拠を生成します。ラベルなしのデータセットを使用する場合は、1,000 を超えるサンプルをおすすめします。

ラベル付きまたはラベルなしの抽出データセットは、JSON Lines（JSONL）形式で、各行に 1 つのチューニングサンプルが含まれている必要があります。モデルを抽出する前に、データセットを Cloud Storage バケットにアップロードします。

各データセットの例には、モデルプロンプトを含む input_text フィールドと、抽出モデルで生成されるレスポンスのサンプルを含むオプションの output_text フィールドが含まれます。

input_text の最大トークン長は 7,168 で、output_text の最大トークン長は 1,024 です。いずれかのフィールドがトークンの最大長を超えると、超過分のトークンは切り捨てられます。

テキスト生成モデル用のデータセットに含めることができるサンプルの最大数は 10,000 です。

データセットの例

{"input_text": "question: How many people live in Beijing? context:
With over 21 million residents, Beijing is the world's most populous national
capital city and is China's second largest city after Shanghai. It is
located in Northern China, and is governed as a municipality under the direct
administration of the State Council with 16 urban, suburban, and rural
districts.[14] Beijing is mostly surrounded by Hebei Province with the exception
of neighboring Tianjin to the southeast; together, the three divisions form the
Jingjinji megalopolis and the national capital region of China.",
"output_text": "over 21 million people"}


{"input_text": "question: How many parishes are there in Louisiana? context:
The U.S. state of Louisiana is divided into 64 parishes (French: paroisses) in
the same manner that 48 other states of the United States are divided into
counties, and Alaska is divided into boroughs.", "output_text": "64"}

サンプルに手順を含める

分類などのタスクでは、手順を含まないサンプルのデータセットを作成できます。ただし、データセットのサンプルから手順を除外すると、特に小さなデータセットの場合、手順を含める場合よりも抽出後のパフォーマンスが低下します。

手順を除外:

{"input_text": "5 stocks to buy now",
"output_text": "business"}

手順を含む:

{"input_text": "Classify the following text into one of the following classes:
[business, entertainment] Text: 5 stocks to buy now",
"output_text": "business"}

サンプルデータセット

サンプルデータセットを使用して抽出を開始できます。以下に、さまざまな医療専門分野向けの医療用音声文字変換のサンプルを含む、分類タスクのデータセットを示します。このデータは、mtsamples.com からのもので、Kaggle で入手できます。

抽出のサンプルデータセットの URI:

gs://cloud-samples-data/vertex-ai/model-evaluation/peft_train_sample.jsonl
サンプル評価用データセットの URL:

gs://cloud-samples-data/vertex-ai/model-evaluation/peft_eval_sample.jsonl

これらのデータセットを使用するには、テキストモデル抽出ジョブの作成時に、該当するパラメータで URI を指定します。

例:

...
"dataset_uri": "gs://cloud-samples-data/vertex-ai/model-evaluation/peft_train_sample.jsonl",
...
"evaluation_data_uri": "gs://cloud-samples-data/vertex-ai/model-evaluation/peft_eval_sample.jsonl",
...

本番環境データとの整合性を維持する

データセットに含まれるサンプルは、想定される本番環境のトラフィックと一致していなければなりません。データセットに特定の書式、キーワード、指示、情報が含まれている場合は、本番環境のデータも同じ形式にし、同じ指示を含んでいる必要があります。

たとえば、データセットのサンプルに "question:" と "context:" が含まれている場合は、本番環境のトラフィックにも、データセットの例と同じ順序で "question:" と "context:" が含まれるように整形する必要があります。コンテキストを除外すると、データセット内の例に正確な質問が含まれていても、モデルはパターンを認識しません。

抽出データセットを Cloud Storage にアップロードする

チューニングジョブを実行するには、1 つ以上のデータセットを Cloud Storage バケットにアップロードする必要があります。新しい Cloud Storage バケットを作成するか、既存のバケットを使用してデータセットファイルを保存できます。バケットのリージョンは重要ではありませんが、モデルをチューニングする Google Cloud プロジェクトのバケットを使用することをおすすめします。

バケットの準備ができたら、データセットファイルをバケットにアップロードします。

抽出のリージョン設定

抽出ジョブを構成するときに、3 つの Google Cloud リージョン設定を指定できます。1 つのリージョンは、モデルをチューニングするパイプラインが実行される場所です。もう 1 つのリージョンでは、抽出プロセスのモデル調整部分が実行され、抽出されたモデルがアップロードされます。

パイプラインジョブリージョン

パイプラインジョブリージョンは、パイプラインジョブが実行されるリージョンです。オプションのモデルアップロードリージョンが指定されていない場合、モデルはパイプラインジョブリージョンにアップロード、デプロイされます。変換済みデータセットなどの中間データは、パイプラインジョブリージョンに保存されます。パイプラインジョブリージョンに使用できるリージョンについては、サポートされているパイプラインジョブとモデルアップロードリージョンをご覧ください。

パイプラインジョブリージョンは、次のいずれかの方法で指定する必要があります。

pipelineJobs.create メソッドで POST リクエストを送信して抽出ジョブを作成する場合は、URL を使用してパイプラインジョブが実行されるリージョンを指定します。次の URL で、PIPELINE_JOB_REGION の両方のインスタンスを、パイプラインが実行されるリージョンに置き換えます。
```
 https://PIPELINE_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/PIPELINE_JOB_REGION/pipelineJobs
```
Google Cloud コンソールを使用して抽出ジョブを作成する場合は、抽出ジョブの作成時に [リージョン] コントロールでパイプラインジョブリージョンを指定します。Google Cloud コンソールでは、[リージョン] コントロールでパイプラインジョブリージョンとモデルアップロードリージョンの両方を指定します。Google Cloud コンソールを使用して抽出ジョブを作成する場合、両方のリージョンは常に同じです。

モデルアップロードリージョン

オプションの tuned_model_location パラメータを使用して、抽出されたモデルのアップロード先を指定します。モデルアップロードリージョンが指定されていない場合、抽出されたモデルは、パイプラインジョブリージョンにアップロードされます。モデルアップロードリージョンの場合は、サポートされているパイプラインジョブリージョンとモデルアップロードリージョンのいずれかを使用できます。モデルアップロードリージョンは、次のいずれかの方法で指定できます。

pipelineJobs メソッドを使用し、POST リクエストを送信して抽出ジョブを作成する場合は、location パラメータを使用してモデルのアップロードリージョンを指定できます。
Google Cloud コンソールを使用して抽出ジョブを作成する場合は、抽出ジョブの作成時に [リージョン] コントロールでモデルのアップロードリージョンを指定します。Google Cloud コンソールでは、[リージョン] コントロールでモデルアップロードリージョンとパイプラインジョブリージョンの両方を指定します。Google Cloud コンソールを使用して抽出ジョブを作成する場合、両方のリージョンは常に同じです。

抽出のリージョン設定

Vertex AI がモデルを抽出して抽出済みのモデルをアップロードするリージョンを選択します。

チューニングリージョンでは、抽出ジョブの調整部分の計算が行われます。このリージョンは、選択したアクセラレータタイプによって決まります。

us-central1 - このリージョンを選択すると、8 個の Nvidia A100 80GB GPU が使用されます。
europe-west4 - このリージョンを選択すると、TPU v3 Pod の 64 コアが使用されます。

サポートされているパイプラインジョブリージョンとモデルアップロードリージョン

次のいずれかのリージョンを使用して、モデルアップロードリージョンとパイプラインジョブリージョンを指定できます。

us-central1
europe-west4
asia-southeast1
us-west1
europe-west3
europe-west2
asia-northeast1
us-east4
us-west4
northamerica-northeast1
europe-west9
europe-west1
asia-northeast3

テキストモデル抽出ジョブを作成する

テキストモデル抽出ジョブは、Google Cloud コンソールか API を使用して作成できます。モデルを抽出する構成のガイダンスについては、推奨構成をご覧ください。

REST

モデルの抽出ジョブを作成するには、pipelineJobs メソッドを使用して POST リクエストを送信します。一部のパラメータは、すべてのモデルでサポートされているわけではないことに注意してください。抽出するモデルに適用可能なパラメータのみを含めるようにしてください。

リクエストのデータを使用する前に、次のように置き換えます。

PIPELINEJOB_DISPLAYNAME: pipelineJob の表示名。
OUTPUT_DIR: パイプラインアーティファクトの出力先となるバケットの URI。
PROJECT_ID: 実際のプロジェクト ID。
MODEL_DISPLAYNAME: pipelineJob によってアップロードされる抽出モデルの表示名。
DATASET_URI: データセットファイルの URI。
PIPELINE_JOB_REGION: パイプラインチューニングジョブを実行するリージョン。これは、チューニング済みのモデルをアップロードするデフォルトのリージョンでもあります。モデルを別のリージョンにアップロードする場合は、location パラメータを使用して、チューニング済みのモデルをアップロードするリージョンを指定します。詳細については、モデルアップロードのリージョンをご覧ください。
MODEL_UPLOAD_REGION: （省略可）チューニング済みモデルがアップロードされるリージョン。モデルのアップロードリージョンを指定しない場合、チューニング済みのモデルは、パイプラインジョブが実行されるリージョンにアップロードされます。詳細については、モデルアップロードのリージョンをご覧ください。
ACCELERATOR_TYPE: （省略可、デフォルト GPU）モデルのチューニングに使用するアクセラレータのタイプ。有効なオプションは次のとおりです。
- GPU: チューニングに 8 個の A100 80 GB GPU を使用します。割り当てが十分にあることを確認してください。GPU を選択した場合、VPC‐SC がサポートされます。CMEK は、チューニングの場所とモデルのアップロード場所が us-centra1 の場合にサポートされます。詳しくは、管理対象のチューニングリージョンの設定をご覧ください。GPU を選択すると、モデルチューニングの計算は us-central1 リージョンで行われます。
- TPU: チューニングに TPU v3 Pod の 64 コアを使用します。割り当てが十分にあることを確認してください。CMEK はサポートされていませんが、VPC‐SC はサポートされています。TPU を選択すると、モデルチューニングの計算は europe-west4 リージョンで行われます。
TEACHER_MODEL_REFERENCE: 抽出に使用する教師モデルの名前。サポートされているモデルは text-unicorn@001 です。
STUDENT_MODEL_REFERENCE: 抽出に使用する生徒モデルの名前。サポートされているモデルは text-bison@002 です。
STEPS: モデルのチューニングで実行するステップ数。デフォルト値は 300 です。バッチサイズは、チューニングを行うロケーションとモデルサイズによって異なります。8k モデル（text-bison@002、chat-bison@002、code-bison@002、codechat-bison@002 など）の場合:
- us-central1 のバッチサイズは 8 です。
- europe-west4 のバッチサイズは 24 です。
32k モデル（text-bison-32k、chat-bison-32k、code-bison-32k、codechat-bison-32k　など）の場合:
- us-central1 のバッチサイズは 8 です。
- europe-west4 のバッチサイズは 8 です。
たとえば、europe-west4 で text-bison@002 をトレーニングする場合、トレーニングデータセットに 240 のサンプルがあり、steps を 20 に設定すると、トレーニングのサンプル数は、20 ステップとバッチサイズ 24 の積、つまり 480 トレーニングステップになります。この場合、例を 2 回実行するため、トレーニングプロセスにはエポックが 2 つあります。us-central1 では、トレーニングデータセットに 240 の例があり、steps を 15 に設定する場合、トレーニングサンプル数は、15 ステップとバッチサイズ 8 の積、つまり 120 トレーニングステップになります。この場合、トレーニングステップ数がサンプルの半分であるため、エポックが 0.5 個になります。
LEARNING_RATE_MULTIPLIER: 推奨学習率に適用する乗数。推奨学習率を使用するには、1.0 を使用します。
EVAL_DATASET_URI: （省略可）バッチ予測と評価用の評価データセットを含む JSONL ファイルの URI。chat-bison では、評価はサポートされていません。詳細については、コードモデルをチューニングするためのデータセット形式をご覧ください。評価データセットには 10～250 個のサンプルが必要です。
EVAL_INTERVAL: （省略可、デフォルト 20）各評価間のチューニングステップの数。評価間隔はチャットモデルではサポートされていません。評価は評価データセット全体で実行されるため、評価間隔が短いほどチューニング時間が長くなります。たとえば、steps が 200 で EVAL_INTERVAL が 100 の場合、評価指標のデータポイントは 2 つのみになります。このパラメータを使用するには、evaluation_data_uri を設定する必要があります。
ENABLE_EARLY_STOPPING: （省略可、デフォルトは true）boolean。true に設定すると、評価の実行でモデルのパフォーマンス（予測されたトークンの正確性）に十分な改善が見られなかった場合、すべてのチューニングステップが完了する前にチューニングが停止します。false の場合、すべてのチューニングステップが完了するまでチューニングが続行されます。このパラメータを使用するには、evaluation_data_uri を設定する必要があります。早期停止の有効化は、チャットモデルではサポートされていません。
TENSORBOARD_RESOURCE_ID:（省略可）Vertex AI TensorBoard インスタンスの ID。Vertex AI TensorBoard インスタンスは、チューニングジョブの完了後にテストを作成するために使用されます。Vertex AI TensorBoard インスタンスは、チューニングパイプラインと同じリージョンに存在する必要があります。
ENCRYPTION_KEY_NAME:（省略可）データの暗号化に使用する顧客管理の暗号鍵（CMEK）の完全修飾名。CMEK は us-central1 でのみ使用できます。us-central1 を使用して CMEK を指定しない場合は、Google が所有して管理する鍵が使用されます。その他のすべての利用可能なリージョンでは、Google が所有して管理する鍵がデフォルトで使用されます。詳細については、CMEK の概要をご覧ください。
TEMPLATE_URI: 抽出テンプレートの URI（https://us-kfp.pkg.dev/ml-pipeline/distillation/distillation/v1.0.0）。
SERVICE_ACCOUNT: （省略可）Vertex AI がパイプラインジョブの実行に使用するサービスアカウント。デフォルトでは、プロジェクトの Compute Engine のデフォルトサービスアカウント（PROJECT_NUMBER‑compute@developer.gserviceaccount.com）が使用されます。詳細については、カスタムサービスアカウントの接続をご覧ください。

HTTP メソッドと URL:

POST https://PIPELINE_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/PIPELINE_JOB_REGION/pipelineJobs

リクエストの本文（JSON）:

{
  "displayName": "PIPELINEJOB_DISPLAYNAME",
  "runtimeConfig": {
    "gcsOutputDirectory": "gs://OUTPUT_DIR",
    "parameterValues": {
      "project": "PROJECT_ID",
      "model_display_name": "MODEL_DISPLAYNAME",
      "dataset_uri": "gs://DATASET_URI",
      "location": "MODEL_UPLOAD_REGION",
      "accelerator_type": "ACCELERATOR_TYPE",
      "teacher_model_reference": TEACHER_MODEL_REFERENCE,
      "student_model_reference": STUDENT_MODEL_REFERENCE,
      "train_steps": STEPS,
      "learning_rate_multiplier": LEARNING_RATE_MULTIPLIER,
      "evaluation_data_uri": "gs://EVAL_DATASET_URI",
      "evaluation_interval": EVAL_INTERVAL,
      "enable_early_stopping": ENABLE_EARLY_STOPPING,
      "enable_checkpoint_selection": "ENABLE_CHECKPOINT_SELECTION",
      "tensorboard_resource_id": "TENSORBOARD_ID",
      "encryption_spec_key_name": "ENCRYPTION_KEY_NAME"
    }
  },
  "encryptionSpec": {
    "kmsKeyName": "ENCRYPTION_KEY_NAME"
  },
  "serviceAccount": "SERVICE_ACCOUNT",
  "templateUri": "TEMPLATE_URI"
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

注: 次のコマンドは、gcloud init または gcloud auth login を実行して、ユーザーアカウントで gcloud CLI にログインしているか、Cloud Shell を使用して自動的に gcloud CLI にログインしていることを前提としています。gcloud auth list を実行すると、現在アクティブなアカウントを確認できます。

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://PIPELINE_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/PIPELINE_JOB_REGION/pipelineJobs"

PowerShell

注: 次のコマンドは、gcloud init または gcloud auth login を実行して、ユーザーアカウントで gcloud CLI にログインしていることを前提としています。gcloud auth list を実行すると、現在アクティブなアカウントを確認できます。

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://PIPELINE_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/PIPELINE_JOB_REGION/pipelineJobs" | Select-Object -Expand Content

次のような JSON レスポンスが返されます。容量を節約するために、pipelineSpec は切り捨てられています。

レスポンス

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/pipelineJobs/PIPELINEJOB_ID",
  "displayName": "PIPELINEJOB_DISPLAYNAME",
  "createTime": "CREATE_TIME",
  "updateTime": "UPDATE_TIME",
  "pipelineSpec": { ... },
  "state": "PIPELINE_STATE_PENDING",
  "labels": {
    "vertex-ai-pipelines-run-billing-id": "BILLING_ID"
  },
  "runtimeConfig": {
    "gcsOutputDirectory": "gs://OUTPUT_DIR",
    "parameterValues": {
      "project": "PROJECT_ID",
      "model_display_name": "MODEL_DISPLAYNAME",
      "dataset_uri": "gs://DATASET_URI",
      "evaluation_data_uri": "EVAL_DATASET_URI",
      "evaluation_interval": "EVAL_INTERVAL",
      "enable_early_stopping": "ENABLE_EARLY_STOPPING",
      "enable_checkpoint_selection": "ENABLE_CHECKPOINT_SELECTION",
      "tensorboard_resource_id": "TENSORBOARD_RESOURCE_ID",
      "accelerator_type": "ACCELERATOR_TYPE",
      "location": "MODEL_UPLOAD_REGION",
      "teacher_model_reference": "text-unicorn@001",
      "student_model_reference": "text-bison@002",
      "train_steps": STEPS,
      "learning_rate_multiplier": "LEARNING_RATE_MULTIPLIER",
      "encryption_spec_key_name": "ENCRYPTION_KEY_NAME"
    }
  },
  "serviceAccount": "PROJECT_NUMBER-compute@developer.gserviceaccount.com",
  "templateUri": "https://us-kfp.pkg.dev/ml-pipeline/distillation/distillation/v1.0.0",
  "templateMetadata": {
    "version": "sha256:c54b301482463df457b923faff255c528be7d1164531aa756b5974b3dc214b98"
  }
}

Python

Vertex AI SDK for Python のインストールまたは更新の方法については、Vertex AI SDK for Python をインストールするをご覧ください。詳細については、Python API リファレンスドキュメントをご覧ください。

from __future__ import annotations

import os

from typing import Optional

import vertexai
from vertexai.preview.language_models import TextGenerationModel, TuningEvaluationSpec


PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")


def distill_model(
    dataset: str,
    source_model: str,
    evaluation_dataset: Optional[str] = None,
) -> None:
    """Distill a new model using a teacher model and a dataset.
    Args:
        dataset (str): GCS URI of the JSONL file containing the training data.
            E.g., "gs://[BUCKET]/[FILENAME].jsonl".
        source_model (str): Name of the teacher model to distill from.
            E.g., "text-unicorn@001".
        evaluation_dataset (Optional[str]): GCS URI of the JSONL file containing the evaluation data.
    """
    # TODO developer - override these parameters as needed:
    vertexai.init(project=PROJECT_ID, location="us-central1")

    # Create a tuning evaluation specification with the evaluation dataset
    eval_spec = TuningEvaluationSpec(evaluation_data=evaluation_dataset)

    # Load the student model from a pre-trained model
    student_model = TextGenerationModel.from_pretrained("text-bison@002")

    # Start the distillation job using the teacher model and dataset
    distillation_job = student_model.distill_from(
        teacher_model=source_model,
        dataset=dataset,
        # Optional:
        train_steps=300,  # Number of training steps to use when tuning the model.
        evaluation_spec=eval_spec,
    )

    return distillation_job

Console

Google Cloud コンソールを使用してテキストモデルを抽出するには、次の操作を行います。

Google Cloud コンソールの [Vertex AI] セクションで、[Vertex AI Studio] ページに移動します。
[Vertex AI Studio] に移動
[チューニングと蒸留] タブをクリックします。
[抽出モデルを作成する] をクリックします。
モデルの詳細を構成します。
- モデル名: 抽出済みモデルの名前を入力します。
- 教師モデル: 教師モデルに使用するモデルを選択します。
- 生徒モデル: 生徒モデルに使用するモデルを選択します。
- リージョン: パイプラインチューニングジョブが実行されるリージョンとチューニングされたモデルがデプロイされるリージョンを選択します。
- 作業ディレクトリ: モデルのチューニング時にアーティファクトが保存される Cloud Storage のロケーションを入力します。
[詳細オプション] を開いて、詳細設定を構成します。
- トレーニングのステップ: モデルのチューニングのために実行するステップ数を入力します。デフォルト値は 300 です。バッチサイズは、チューニングを行うロケーションとモデルサイズによって異なります。8k モデル（text-bison@002、chat-bison@002、code-bison@002、codechat-bison@002 など）の場合:
  - us-central1 のバッチサイズは 8 です。
  - europe-west4 のバッチサイズは 24 です。
  32k モデル（text-bison-32k、chat-bison-32k、code-bison-32k、codechat-bison-32k　など）の場合:
  - us-central1 のバッチサイズは 8 です。
  - europe-west4 のバッチサイズは 8 です。
  たとえば、europe-west4 で text-bison@002 をトレーニングする場合、トレーニングデータセットに 240 のサンプルがあり、steps を 20 に設定すると、トレーニングのサンプル数は、20 ステップとバッチサイズ 24 の積、つまり 480 トレーニングステップになります。この場合、例を 2 回実行するため、トレーニングプロセスにはエポックが 2 つあります。us-central1 では、トレーニングデータセットに 240 の例があり、steps を 15 に設定する場合、トレーニングサンプル数は、15 ステップとバッチサイズ 8 の積、つまり 120 トレーニングステップになります。この場合、トレーニングステップ数がサンプルの半分であるため、エポックが 0.5 個になります。
- 学習率の乗数: 各イテレーションのステップサイズを入力します。デフォルト値は 1 です。
- アクセラレータタイプ: （省略可）モデルのチューニングに使用するアクセラレータのタイプを入力します。有効なオプションは次のとおりです。
  - GPU: チューニングに 8 個の A100 80 GB GPU を使用します。割り当てが十分にあることを確認してください。GPU を選択した場合、VPC‐SC がサポートされます。CMEK は、チューニングの場所とモデルのアップロード場所が us-centra1 の場合にサポートされます。詳しくは、管理対象のチューニングリージョンの設定をご覧ください。GPU を選択すると、モデルチューニングの計算は us-central1 リージョンで行われます。
  - TPU: チューニングに TPU v3 Pod の 64 コアを使用します。割り当てが十分にあることを確認してください。CMEK はサポートされていませんが、VPC‐SC はサポートされています。TPU を選択すると、モデルチューニングの計算は europe-west4 リージョンで行われます。
- TensorBoard インスタンスを追加する:（省略可）Vertex AI TensorBoard インスタンスの ID。Vertex AI TensorBoard インスタンスは、チューニングジョブの完了後にテストを作成するために使用されます。Vertex AI TensorBoard インスタンスは、チューニングパイプラインと同じリージョンに存在する必要があります。
- 暗号化: （省略可）Google が所有して管理する鍵または顧客管理の暗号鍵（CMEK）のいずれかを選択します。CMEK は us-central1 リージョンでのみ暗号化に利用できます。他のすべての使用可能なリージョンでは、Google が所有して管理する鍵が使用されます。詳細については、CMEK の概要をご覧ください。
- サービスアカウント: （省略可）ユーザー管理のサービスアカウントを選択します。サービスコードがアクセスできる Google Cloud リソースはサービスアカウントにより決定されます。サービスアカウントを選択しない場合は、ほとんどのモデルに適した権限を含むサービスエージェントが使用されます。
[続行] をクリックします。
抽出データセットファイルをアップロードする場合は、[radio_button_checked JSONL ファイルを Cloud Storage にアップロードする] を選択します。データセットファイルがすでに Cloud Storage バケットにある場合、[radio_button_checked Cloud Storage 上の既存の JSONL ファイル] を選択します。
JSONL ファイルをアップロードする
- [JSONL ファイルの選択] で [参照] をクリックし、データセットファイルを選択します。
- [データセットの場所] で [参照] をクリックし、データセットファイルを保存する Cloud Storage バケットを選択します。
既存の JSONL ファイルを使用する

[Cloud Storage のファイルパス] で [参照] をクリックし、データセットファイルがある Cloud Storage バケットを選択します。
（省略可）抽出モデルを評価するには、[モデル評価を有効にする] を選択して、モデル評価を構成します。
- 評価データセット: （省略可）バッチ予測と評価用の評価データセットを含む JSONL ファイルの URI。codechat-bison では、評価はサポートされていません。詳細については、コードモデルをチューニングするためのデータセット形式をご覧ください。評価データセットには 10～250 個のサンプルが必要です。
- 評価間隔: （省略可、デフォルトは 20）各評価間のチューニングステップの数。評価間隔はチャットモデルではサポートされていません。評価は評価データセット全体で実行されるため、評価間隔が短いほどチューニング時間が長くなります。たとえば、steps が 200 で EVAL_INTERVAL が 100 の場合、評価指標のデータポイントは 2 つのみになります。このパラメータを使用するには、evaluation_data_uri を設定する必要があります。
- 早期停止を有効にする: （省略可、デフォルトは true）boolean で、true に設定すると、評価の実行間でモデルのパフォーマンス（予測されるトークンの正確性により測定されます）に十分な改善が見られなかった場合、すべてのチューニングステップが完了する前にチューニングを停止します。false の場合、すべてのチューニングステップが完了するまでチューニングが続行されます。このパラメータを使用するには、evaluation_data_uri を設定する必要があります。早期停止の有効化は、チャットモデルではサポートされていません。
- チェックポイントの選択を有効にする: 有効にすると、Vertex AI はチューニングジョブ中に作成されたすべてのチェックポイントから、最適なモデル評価パフォーマンスを持つチェックポイントを選択して返します。無効にすると、チューニングジョブ中に作成された最後のチェックポイントが返されます。各チェックポイントは、チューニングジョブ中のモデルのスナップショットを参照します。
- TensorBoard インスタンス:（省略可）Vertex AI TensorBoard インスタンスの ID。Vertex AI TensorBoard インスタンスは、チューニングジョブの完了後にテストを作成するために使用されます。Vertex AI TensorBoard インスタンスは、チューニングパイプラインと同じリージョンに存在する必要があります。
[抽出を開始] をクリックします。

推奨構成

タスクごとに基盤モデルを抽出するための推奨構成を、次の表に示します。

タスク	データセットのサンプル数	ステップをトレーニング
分類	100+	200～1,000
要約	100～500 以上	1000-1500
抽出型の QA	100+	200-800

トレーニングステップでは、特定のデータセットに対して最高のパフォーマンスを得るために、複数の値（100、200、500 など）を試すことができます。

抽出されたモデルのリストを表示する

現在のプロジェクトに含まれるモデルのリスト（抽出されたモデルを含む）を表示するには、Google Cloud コンソール、または Vertex AI SDK for Python を使用します。

Python

このサンプルを試す前に、Vertex AI クイックスタート: クライアントライブラリの使用にある Python の設定手順を完了してください。詳細については、Vertex AI Python API のリファレンスドキュメントをご覧ください。

Vertex AI に対する認証を行うには、アプリケーションのデフォルト認証情報を設定します。詳細については、ローカル開発環境の認証を設定するをご覧ください。

import vertexai

from vertexai.language_models import TextGenerationModel

# TODO(developer): Update and un-comment below line
# PROJECT_ID = "your-project-id"

vertexai.init(project=PROJECT_ID, location="us-central1")

model = TextGenerationModel.from_pretrained("text-bison@002")
tuned_model_names = model.list_tuned_model_names()
print(tuned_model_names)
# Example response:
# ['projects/1234567890/locations/us-central1/models/1234567889012345',
# ...]

Console

Google Cloud コンソールで抽出されたモデルを表示するには、[Vertex AI Model Registry] ページに移動します。

[Vertex AI Model Registry] に移動

抽出されたテキストモデルを読み込む

次のサンプルコードでは、Vertex AI SDK for Python を使用して、抽出されたテキスト生成モデルを読み込みます。

import vertexai
from vertexai.preview.language_models import TextGenerationModel

model = TextGenerationModel.get_tuned_model(TUNED_MODEL_NAME)

TUNED_MODEL_NAME は、抽出済みモデルの修飾リソース名に置き換えます。この名前は、projects/PROJECT_ID/locations/LOCATION/models/MODEL_ID の形式です。抽出済みモデルのモデル ID は、Vertex AI Model Registry で確認できます。

チューニングと評価の指標

モデルのチューニングとモデルの評価の指標を収集して報告するよう、モデルのチューニングジョブを構成できます。その後で、Vertex AI TensorBoard を使用してこれらの指標を可視化できます。

モデルチューニングの指標

モデルのチューニングジョブを構成して、chat-bison、code-bison、codechat-bison、text-bison のチューニング指標を収集できます。

/train_total_loss: トレーニングステップでのチューニングデータセットの損失。
/train_fraction_of_correct_next_step_preds: トレーニングステップでのトークンの精度。1 回の予測は一連のトークンで構成されます。この指標は、チューニング用データセットのグラウンドトゥルースと比較したときに予測されるトークンの精度を測定します。
/train_num_predictions: トレーニングステップで予測されるトークンの数。

モデル評価の指標

モデルのチューニングジョブを構成して、code-bison と text-bison について次の評価指標を収集できます。

/eval_total_loss: 評価ステップでの評価データセットの損失。
/eval_fraction_of_correct_next_step_preds: 評価ステップでのトークンの精度。1 回の予測は一連のトークンで構成されます。この指標は、評価データセットのグラウンドトゥルースと比較したときに予測されるトークンの精度を測定します。
/eval_num_predictions: 評価ステップで予測されるトークンの数。

指標の可視化は、モデルのチューニングジョブの完了後に利用できます。チューニングジョブの作成時に Vertex AI TensorBoard のインスタンス ID のみを指定し、評価データセットを指定しなかった場合、チューニング指標の可視化のみを使用できます。

PaLM 用の抽出されたテキストモデルを作成する

モデルのチューニングと抽出のワークフロー

サポートされているモデル

データセットのフォーマット

データセットの例

サンプルに手順を含める

サンプル データセット

本番環境データとの整合性を維持する

抽出データセットを Cloud Storage にアップロードする

抽出のリージョン設定

パイプライン ジョブ リージョン

モデル アップロード リージョン

抽出のリージョン設定

サポートされているパイプライン ジョブ リージョンとモデル アップロード リージョン

テキストモデル抽出ジョブを作成する

REST

curl

PowerShell

レスポンス

Python

Console

JSONL ファイルをアップロードする

既存の JSONL ファイルを使用する

推奨構成

抽出されたモデルのリストを表示する

Python

Console

抽出されたテキストモデルを読み込む

チューニングと評価の指標

モデル チューニングの指標

モデル評価の指標

サンプルデータセット

パイプラインジョブリージョン

モデルアップロードリージョン

サポートされているパイプラインジョブリージョンとモデルアップロードリージョン

モデルチューニングの指標