Informazioni sull'ottimizzazione fine supervisionata per i modelli Gemini

L'ottimizzazione fine 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 la lingua 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 adattiva supervisionata adatta il comportamento del modello a un set di dati etichettato. Questo processo aggiusta i pesi 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

Per scoprire di più, consulta Quando utilizzare la messa a punto fine supervisionata per Gemini.

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 la regolazione del testo)

Limitazioni

Gemini 1.5 Pro

  • 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 dell'adattatore: i valori supportati sono 1 e 4 (il valore predefinito è 4). L'utilizzo di valori più elevati (ad esempio 8 o 16) comporta un errore.

Gemini 1.5 Flash

  • Token di input e output massimi:
    • Esempi di addestramento: 128.000
    • Pubblicazione: 128.000
  • 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 dell'adattatore: i valori supportati sono 1, 4, 8 e 16 (il valore predefinito è 8).

Problemi noti

Un modello Gemini ottimizzato non può essere eliminato dal registro dei modelli di Vertex AI. Tuttavia, finché è inattivo, non verranno addebitati costi di inferenza.

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 la regolazione 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 conciso o dettagliato.
  • Output personalizzati specifici per tipi specifici di input.

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 base a una persona, un ruolo o un personaggio.

Puoi ottimizzare un modello anche nelle seguenti situazioni:

  • I prompt non producono i risultati previsti in modo sufficientemente coerente.
  • L'attività è troppo complicata per essere definita in un prompt. Ad esempio, vuoi che il modello esegua la clonazione del comportamento per un comportamento difficile da esprimere in un prompt.
  • Hai intuizioni complesse su un'attività che sono difficili da formalizzare in un prompt.
  • Vuoi ridurre la lunghezza del contesto rimuovendo gli esempi con pochi esempi.

Configurare una regione per il 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 la messa a punto, il calcolo potrebbe essere trasferito ad altre regioni US o EU per gli acceleratori disponibili. Lo scambio 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 fine supervisionata inviando una richiesta POST utilizzando il metodo tuningJobs.create, utilizza l'URL per specificare la regione in cui viene eseguito il job di ottimizzazione. 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 viene fornito con una quota predefinita per l'esecuzione di almeno un job di ottimizzazione. Si tratta di una quota globale, condivisa 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

Il perfezionamento supervisionato per gemini-1.0-pro-002 è in anteprima. Mentre l'ottimizzazione è in anteprima, non è previsto alcun costo per l'ottimizzazione di un modello.

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

I token di addestramento vengono calcolati moltiplicando il numero totale di token nel set di dati di addestramento per il numero di epoche. 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. Per ulteriori informazioni, consulta Prezzi di Vertex AI e Versioni stabili dei modelli Gemini disponibili.

Passaggi successivi