Cómo cambiar la base de un modelo
Puedes cambiar la base de un modelo ajustado heredado con la consola de Google Cloud o de forma programática. En esta guía, se explica cómo volver a establecer la base, un proceso que actualiza el modelo base de un modelo ajustado a la versión más reciente.
Es importante cambiar la base de un modelo porque se lanzan modelos de base nuevos y mejorados de forma periódica. A menudo, se entrenan con conjuntos de datos más grandes, tienen una mejor arquitectura y, además, incluyen mejoras de rendimiento. El cambio de base te permite aprovechar estas mejoras. El cambio de base usa los hiperparámetros recomendados para el nuevo modelo base para obtener un rendimiento óptimo.
Los modelos bison models
y gemini-1.0
usan un formato de conjunto de datos diferente al de gemini-1.5 models
. Si actualizas de una versión anterior del modelo a gemini-1.5
,
tienes dos opciones:
- Sigue usando tu conjunto de datos existente: Tu conjunto de datos de optimización anterior aún puede funcionar con
gemini-1.5
, lo que permite una transición sin problemas. - Crea un conjunto de datos nuevo: Para obtener un rendimiento óptimo con
gemini-1.5
, crea un conjunto de datos nuevo en tu bucket de Cloud Storage con el formato actualizado.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- LOCATION: Es la región en la que se ejecuta el trabajo de ajuste. Esta es también la región predeterminada en la que se sube el modelo ajustado.
- PROJECT_ID: El ID del proyecto.
- MODEL_ID: Es el nombre del modelo ajustado que deseas volver a basar.
- TUNING_JOB_ID: Para modelos de Gemini heredados que usan tuning_job.
- PIPELINE_JOB_NAME: La canalización de ajuste de modelos de bison heredados.
Método HTTP y URL:
POST https://REGION-aiplatform.googleapis.com/ui/projects/PROJECT_ID/locations/REGION/tuningJobs:rebaseTunedModel
Cuerpo JSON de la solicitud:
{ "tunedModelRef": { "tuned_model": "projects/PROJECT_ID/locations/REGION/models/MODEL_ID" } }
Para enviar tu solicitud, elige una de estas opciones:
curl
Guarda el cuerpo de la solicitud en un archivo llamado request.json
y ejecuta el siguiente comando:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://REGION-aiplatform.googleapis.com/ui/projects/PROJECT_ID/locations/REGION/tuningJobs:rebaseTunedModel"
PowerShell
Guarda el cuerpo de la solicitud en un archivo llamado request.json
y ejecuta el siguiente comando:
$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://REGION-aiplatform.googleapis.com/ui/projects/PROJECT_ID/locations/REGION/tuningJobs:rebaseTunedModel" | Select-Object -Expand Content
Deberías recibir una respuesta JSON similar a la que se muestra a continuación:
Consola de Google Cloud
Usa estas instrucciones para cambiar la base de un modelo ajustado a un modelo de base más reciente
- En la sección Vertex AI de la consola de Google Cloud, ve a la página Vertex AI Studio.
- En la lista de modelos ajustados, en la columna de notificaciones, los modelos que están desactualizados o que pueden volver a basarse tienen la opción Retune.
- Selecciona Retune.
- Elige un nombre para el modelo reajustado.
- En el menú desplegable, selecciona el nuevo modelo base que deseas usar.
- Selecciona la región que deseas usar.
- Selecciona la ubicación del directorio de salida, la ubicación de Cloud Storage en la que se almacenan los conjuntos de datos de ajuste con formato cambiado.
- Para actualizar la ubicación del conjunto de datos de ajuste, sube un archivo nuevo a Cloud Storage o usa una ruta de acceso de Cloud Storage existente.
- Opcional: Habilita la validación del modelo y conéctate al conjunto de datos de validación de Cloud Storage.
- Haz clic en Iniciar ajuste.
¿Qué sigue?
- Para obtener información sobre cómo ajustar un modelo, consulta Ajusta los modelos de Gemini con el ajuste supervisado.
- Para obtener información sobre cómo se puede usar el ajuste fino supervisado en una solución que compila una base de conocimiento de IA generativa, consulta Solución de inicio rápido: base de conocimiento de IA generativa.