Ringkasan penyesuaian model untuk Gemini

Penyesuaian model adalah proses penting dalam menyesuaikan Gemini agar dapat melakukan tugas tertentu dengan presisi dan akurasi yang lebih baik. Penyesuaian model bekerja dengan menyediakan set data pelatihan yang berisi serangkaian contoh tugas downstream tertentu pada model.

Halaman ini menyediakan ringkasan tentang penyesuaian model untuk Gemini, menjelaskan opsi penyesuaian yang tersedia untuk Gemini, dan membantu Anda menentukan kapan setiap opsi penyesuaian harus digunakan.

Manfaat penyesuaian model

Penyesuaian model adalah cara yang efektif untuk menyesuaikan model besar dengan tugas Anda. Ini adalah langkah penting untuk meningkatkan kualitas dan efisiensi model. Penyesuaian model memberikan manfaat berikut:

  • Kualitas yang lebih tinggi untuk tugas spesifik Anda.
  • Ketangguhan model yang lebih baik.
  • Latensi dan biaya inferensi lebih rendah karena perintah yang lebih singkat.

Tuning dibandingkan dengan desain prompt

Tuning memberikan manfaat berikut dibandingkan dengan desain prompt.

  • Memungkinkan penyesuaian mendalam pada model dan menghasilkan performa yang lebih baik pada tugas tertentu.
  • Menawarkan hasil yang lebih konsisten dan dapat diandalkan.
  • Mampu menangani lebih banyak contoh sekaligus.

Menyesuaikan pendekatan

Parameter-efficient tuning dan full-tuning penuh adalah dua pendekatan untuk menyesuaikan model besar. Kedua metode tersebut memiliki kelebihan dan implikasi dalam hal kualitas model dan efisiensi resource.

Parameter-efficient tuning

Parameter-efficient tuning, yang juga disebut adaptor tuning, memungkinkan adaptasi yang efisien terhadap model besar ke tugas atau domain tertentu milik Anda. Penyesuaian parameter yang efisien akan memperbarui subset parameter model yang relatif kecil selama proses penyesuaian.

Untuk memahami cara Vertex AI mendukung penyesuaian dan penyaluran adaptor, Anda dapat menemukan detail selengkapnya dalam laporan resmi berikut, Adaptasi Model Dasar Besar.

Penyesuaian penuh

Penyesuaian penuh akan memperbarui semua parameter model, sehingga cocok untuk menyesuaikan model dengan tugas yang sangat kompleks, dengan potensi untuk mencapai kualitas yang lebih tinggi. Namun, fine tuning penuh memerlukan resource komputasi yang lebih tinggi untuk tuning dan inferensi, sehingga menyebabkan biaya keseluruhan yang lebih tinggi.

Parameter-efficient tuning dibandingkan dengan full tuning

Parameter-efficient tuning lebih hemat resource dan hemat biaya dibandingkan dengan penyempurnaan penuh. Pelatihan ini menggunakan sumber daya komputasi yang jauh lebih rendah. Solusi ini mampu mengadaptasi model lebih cepat dengan set data yang lebih kecil. Fleksibilitas penyesuaian parameter yang efisien menawarkan solusi untuk pembelajaran multi-tugas tanpa perlu pelatihan ulang ekstensif.

Menyesuaikan model Gemini

Model Gemini (gemini-1.0-pro-002) mendukung metode penyesuaian berikut:

  • Penyesuaian Supervised Parameter-efficient

    Penyesuaian yang diawasi sangat ideal saat Anda memiliki tugas yang didefinisikan dengan baik dengan data berlabel yang tersedia. Tuning yang diawasi akan menyesuaikan perilaku model dengan set data berlabel. Proses ini menyesuaikan bobot model untuk meminimalkan perbedaan antara prediksi dan label sebenarnya.

Kuota

Kuota diterapkan pada jumlah tugas penyesuaian serentak. Setiap project dilengkapi kuota default untuk menjalankan setidaknya satu tugas tuning. Ini adalah kuota global, yang dibagikan di semua region yang tersedia. Jika ingin menjalankan lebih banyak tugas secara serentak, Anda harus meminta kuota tambahan untuk Global concurrent tuning jobs.

Langkah selanjutnya