Informazioni sull'ottimizzazione supervisionata per i modelli Gemini

L'ottimizzazione supervisionata è una buona opzione quando hai un'attività ben definita con dati etichettati disponibili. È particolarmente efficace per applicazioni specifiche del dominio in cui il linguaggio o i contenuti sono molto diversi dai dati su cui è stato originariamente addestrato il modello di grandi dimensioni. Puoi ottimizzare i tipi di dati testo, immagine, audio e documento.

L'ottimizzazione supervisionata adatta il comportamento del modello con un set di dati etichettato. Questo processo regola le ponderazioni del modello per ridurre al minimo la differenza tra le sue previsioni e le etichette effettive. Ad esempio, può migliorare le prestazioni del modello per i seguenti tipi di attività:

  • Classificazione
  • Riassunto
  • Ricerca di risposte estrattive alle domande
  • Chat

Modelli supportati

I seguenti modelli Gemini supportano l'ottimizzazione supervisionata:

  • gemini-1.5-pro-002 (in GA, supporta testo, immagini, audio e documenti)
  • gemini-1.5-flash-002(In GA, supporta testo, immagini, audio e documenti)
  • gemini-1.0-pro-002 (in anteprima, supporta solo l'ottimizzazione del testo)

Limitazioni

  • Token di input e output massimi:
    • Esempi di addestramento: 32.000
    • Pubblicazione: 32.000
  • Dimensioni del set di dati di convalida: 256 esempi
  • Dimensione del file del set di dati di addestramento: fino a 1 GB per JSONL
  • Dimensioni adattatore:
    • Gemini 1.5 Pro: i valori supportati sono 1 e 4 (il valore predefinito è 4). L'utilizzo di valori più elevati (ad es. 8 o 16) causeranno un errore.
    • Gemini 1.5 Flash: i valori supportati sono 1, 4, 8 e 16 (il valore predefinito è 8).

Casi d'uso per l'utilizzo della messa a punto supervisionata

I modelli di base funzionano bene quando l'output o l'attività previsti possono essere definiti in modo chiaro e conciso in un prompt e il prompt produce in modo coerente l'output previsto. Se vuoi che un modello apprenda qualcosa di poco noto o specifico che si discosta dai modelli generali, ti consigliamo di ottimizzarlo. Ad esempio, puoi utilizzare l'ottimizzazione del modello per insegnare al modello quanto segue:

  • Strutture o formati specifici per la generazione di output.
  • Comportamenti specifici, ad esempio quando fornire un output consecutivo o dettagliato.
  • Output personalizzati specifici per tipi di input specifici.

I seguenti esempi sono casi d'uso difficili da acquisire solo con le istruzioni prompt:

  • Classificazione: la risposta prevista è una parola o una frase specifica.

    La regolazione del modello può contribuire a evitare che generi risposte verbose.

  • Riassunto: il riassunto segue un formato specifico. Ad esempio, potresti dover rimuovere informazioni che consentono l'identificazione personale (PII) nel riepilogo di una chat.

    Questa formattazione che sostituisce i nomi degli altoparlanti con #Person1 e #Person2 è difficile da descrivere e il modello di base potrebbe non produrre una risposta naturale di questo tipo.

  • Question answering estrattivo: la domanda riguarda un contesto e la risposta è una sottostringa del contesto.

    La risposta "Last Glacial Maximum" è una frase specifica del contesto.

  • Chat: devi personalizzare la risposta del modello in modo che segua un utente tipo, un ruolo o carattere.

Puoi anche ottimizzare un modello nelle seguenti situazioni:

  • I prompt non producono i risultati previsti in modo abbastanza coerente.
  • L'attività è troppo complicata da definire in un prompt. Ad esempio, se vuoi che il di eseguire la clonazione del comportamento per un comportamento difficile da articolare richiesta.
  • Hai intuizioni complesse su un'attività che sono facili da suscitare, ma difficili da formalizzare in un prompt.
  • Vuoi ridurre la lunghezza del contesto rimuovendo gli esempi con pochi esempi.

Configura la regione di un job di ottimizzazione

I dati utente, come il set di dati trasformato e il modello ottimizzato, vengono archiviati nella regione del job di ottimizzazione. Durante l'ottimizzazione, il calcolo potrebbe essere scaricato su altri US o EU regioni per gli acceleratori disponibili. L'offload è trasparente per gli utenti.

  • Se utilizzi l'SDK Vertex AI, puoi specificare la regione all'inizializzazione. Ad esempio:

    import vertexai
vertexai.init(project='myproject', location='us-central1')

  • Se crei un job di ottimizzazione supervisionato tramite l'invio di una richiesta POST utilizzando il tuningJobs.create , utilizzerai l'URL per specificare la regione in cui il job di ottimizzazione viene eseguito. Ad esempio, nel seguente URL specifichi una regione sostituendo entrambe le istanze di TUNING_JOB_REGION con la regione in cui viene eseguito il job.

     https://TUNING_JOB_REGION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/TUNING_JOB_REGION/tuningJobs

  • Se utilizzi la console Google Cloud, puoi selezionare il nome della regione nel campo a discesa Regione nella pagina Dettagli del modello. Si tratta della stessa pagina in cui selezioni il modello di base e un nome per il modello ottimizzato.

Quota

La quota viene applicata al numero di job di ottimizzazione simultanei. Ogni progetto arriva con una quota predefinita per eseguire almeno un job di ottimizzazione. Questa è una quota globale, condivise tra tutte le regioni disponibili e i modelli supportati. Se vuoi eseguire più job contemporaneamente, devi richiedere una quota aggiuntiva per Global concurrent tuning jobs.

Prezzi

I prezzi per l'ottimizzazione di Gemini 1.5 Flash e Gemini 1.5 Pro sono disponibili qui: Prezzi di Vertex AI.

Per tutti i modelli, dopo l'ottimizzazione, si applicano comunque i costi di inferenza per il modello ottimizzato. I prezzi di inferenza sono gli stessi per ogni versione stabile di Gemini.

L'ottimizzazione supervisionata per gemini-1.0-pro-002 è in anteprima. Mentre l'ottimizzazione è in anteprima, l'ottimizzazione di un modello è senza costi.

Per ulteriori informazioni, consulta Prezzi di Vertex AI e Versioni stabili dei modelli Gemini disponibili.

Passaggi successivi