Migrer depuis d'anciens modèles

Redéfinir un modèle

Vous pouvez rebaser un ancien modèle optimisé à l'aide de la console Google Cloud ou par programmation. Ce guide explique comment effectuer une rebase, un processus qui met à jour le modèle de base d'un modèle affiné vers la dernière version.

Il est important de rebaser un modèle, car de nouveaux modèles de base améliorés sont publiés régulièrement. Ils sont souvent entraînés sur des ensembles de données plus volumineux, disposent d'une meilleure architecture et incluent des améliorations des performances. Le rebasage vous permet de profiter de ces améliorations. Le rebasage utilise les hyperparamètres recommandés pour le nouveau modèle de base afin d'obtenir des performances optimales.

Les modèles bison models et gemini-1.0 utilisent un format d'ensemble de données différent de celui de gemini-1.5 models. Si vous passez d'une ancienne version de modèle à gemini-1.5, vous avez deux options:

  1. Poursuivez l'utilisation de votre ensemble de données existant: votre ancien ensemble de données de réglage peut toujours fonctionner avec gemini-1.5, ce qui permet une transition fluide.
  2. Créez un ensemble de données: pour des performances optimales avec gemini-1.5, créez un ensemble de données dans votre bucket Cloud Storage à l'aide du format mis à jour.

REST

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

  • LOCATION : région dans laquelle le job de réglage est exécuté. Il s'agit également de la région par défaut dans laquelle le modèle réglé est importé.
  • PROJECT_ID : l'ID de votre projet.
  • MODEL_ID: nom du modèle affiné que vous souhaitez rebaser.
  • TUNING_JOB_ID: pour les anciens modèles Gemini utilisant tuning_job.
  • PIPELINE_JOB_NAME: ancien pipeline de réglage des modèles bison.

Méthode HTTP et URL : 

POST https://REGION-aiplatform.googleapis.com/ui/projects/PROJECT_ID/locations/REGION/tuningJobs:rebaseTunedModel

Corps JSON de la requête : 

{
  "tunedModelRef": {
    "tuned_model": "projects/PROJECT_ID/locations/REGION/models/MODEL_ID"
  }
}

Pour envoyer votre requête, choisissez l'une des options suivantes :

curl

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

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

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

$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

Vous devriez recevoir une réponse JSON semblable à la suivante.

Console Google Cloud

Suivez ces instructions pour rebaser un modèle réglé sur un modèle de fondation plus récent.

  1. Dans la section "Vertex AI" de la console Google Cloud, accédez à la page Vertex AI Studio, puis à la section "Tuning" (Paramétrage).

    Accéder à Vertex AI Studio

  2. Dans la liste des modèles optimisés, dans la colonne "Notifications", les modèles obsolètes ou pouvant être rebasés sont associés à l'option Retune (Réoptimiser).
  3. Sélectionnez Retune (Retuner).
  4. Choisissez un nom pour le modèle recalibré.
  5. Dans le menu déroulant, sélectionnez le nouveau modèle de base à utiliser.
  6. Sélectionnez la région que vous souhaitez utiliser.
  7. Sélectionnez l'emplacement du répertoire de sortie, l'emplacement Cloud Storage dans lequel les ensembles de données de réglage reformatés sont stockés.
  8. Modifiez l'emplacement de l'ensemble de données de réglage en important un nouveau fichier dans Cloud Storage ou en utilisant un chemin Cloud Storage existant.
  9. Facultatif: Activez la validation du modèle et connectez-vous à l'ensemble de données de validation Cloud Storage.
  10. Cliquez sur Commencer le réglage.

Étape suivante