Le réglage de modèle est un processus essentiel pour adapter Gemini afin d'effectuer des tâches spécifiques avec plus de précision. Pour affiner les réglages d'un modèle, fournissez-lui un ensemble de données d'entraînement contenant un ensemble d'exemples de tâches en aval spécifiques.
Cette page présente les réglages de modèles pour Gemini, décrit les options de réglage disponibles pour Gemini et vous aide à déterminer quand chaque option de réglage doit être utilisée.
Avantages du réglage des modèles
Le réglage des modèles est un moyen efficace de personnaliser les modèles volumineux en fonction de vos tâches. Il s'agit d'une étape clé pour améliorer la qualité et l'efficacité du modèle. Le réglage des modèles offre les avantages suivants:
- Qualité supérieure pour vos tâches spécifiques.
- Amélioration de la robustesse du modèle.
- Latence d'inférence et coûts inférieurs en raison d'invites plus courtes.
Réglage par rapport à la conception d'invite
Le réglage offre les avantages suivants par rapport à la conception d'invites.
- Permet une personnalisation approfondie du modèle et de meilleures performances sur des tâches spécifiques.
- Offre des résultats plus cohérents et plus fiables.
- Capacité à traiter davantage d'exemples à la fois.
La méthode avec optimisation
Le réglage efficace des paramètres, également appelé réglage des adaptateurs, permet d'adapter efficacement les modèles volumineux à vos tâches ou domaines spécifiques. Le réglage efficace des paramètres met à jour un sous-ensemble relativement petit des paramètres du modèle au cours du processus de réglage.
Pour comprendre comment Vertex AI gère le réglage et la diffusion des adaptateurs, vous trouverez plus de détails dans le livre blanc suivant, Adaptation des grands modèles de fondation.
Réglage efficace des paramètres par rapport au réglage complet
Le réglage efficace des paramètres et le réglage complet sont deux approches permettant de personnaliser des modèles volumineux. Les deux méthodes ont leurs avantages et leurs implications en termes de qualité du modèle et d'efficacité des ressources.
L'option de réglage complet met à jour tous les paramètres du modèle, ce qui le rend adapté à l'adaptation du modèle à des tâches très complexes, afin d'obtenir une meilleure qualité. Toutefois, le réglage complet nécessite des ressources de calcul plus élevées pour le réglage et la diffusion, ce qui entraîne des coûts globaux plus élevés.
Le réglage avec optimisation des paramètres est plus économe en ressources et plus économique que le réglage complet. Il utilise beaucoup moins de ressources de calcul pour l'entraînement. Il est capable d'adapter le modèle plus rapidement avec un ensemble de données plus petit. La flexibilité du réglage efficace des paramètres offre une solution d'apprentissage multitâche sans nécessiter un nouvel entraînement approfondi.
Vertex AI est compatible avec le réglage efficace des paramètres et le réglage complet pour différents modèles dans différents scénarios.
Régler des modèles Gemini
Les modèles Gemini suivants sont compatibles avec le réglage supervisé à l'aide du réglage efficace:
gemini-1.0-pro-002
Le réglage supervisé est une bonne option lorsque vous avez une tâche bien définie avec des données étiquetées disponibles. Elle est particulièrement efficace pour les applications spécifiques à un domaine dont la langue ou le contenu diffère considérablement des données sur lesquelles le grand modèle a été initialement entraîné.
Le réglage supervisé adapte le comportement du modèle à un ensemble de données étiquetées. Ce processus ajuste les pondérations du modèle afin de minimiser la différence entre ses prédictions et les étiquettes réelles. Il peut améliorer les performances du modèle pour les types de tâches suivants:
- Classification
- Analyse des sentiments
- Extraction d'entités
- Synthèse de contenu simple
- Écrire des requêtes spécifiques à un domaine
Quota de réglage des modèles Gemini
Le quota est appliqué au nombre de tâches de réglage simultanées. Chaque projet est associé à un quota par défaut pour exécuter au moins une tâche de réglage. Il s'agit d'un quota mondial, partagé entre toutes les régions disponibles. Si vous souhaitez exécuter plus de tâches simultanément, vous devez demander un quota supplémentaire pour Global concurrent tuning jobs.