Ajuster Llama pour la FAQ du service à la clientèle
Vous travaillez dans une entreprise qui conçoit des agents de clavardage pour le service à la clientèle. Votre équipe utilise des modèles Llama dans votre robot de service, et vous souhaitez améliorer le modèle en l'ajustant finement sur un jeu de données de questions-réponses lié au service à la clientèle. Pour obtenir le meilleur rendement possible, votre équipe va affiner un modèle Llama pour cette tâche à l'aide du jeu de données bitext.
Le script d'entraînement est presque terminé : il ne manque que l'étape finale où vous regroupez le modèle, le tokenizeur, l'ensemble d'entraînement et les paramètres d'entraînement, puis lancez l'entraînement.
Cette activité fait partie du cours
Ajustement fin avec Llama 3
Instructions de l’exercice
- Importez la classe qui permet de réaliser l'ajustement supervisé à partir de sa bibliothèque.
- Instanciez la classe utilisée pour l'ajustement supervisé en passant
model,tokenizer,datasetettraining_arguments. - Exécutez la méthode d'instance pour démarrer l'ajustement fin de votre modèle.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import the supervised fine-tuning class
from ____ import ____
# Instantiate fine-tuning class
trainer = ____(
# Pass necessary arguments
____=____,
____=____,
____=____,
____=____,
)
# Start training
trainer.____()