Créer des exemples d'entraînement
Dans le cadre d'un agent conversationnel de service à la clientèle que votre équipe développe, vous mettez en place un pipeline pour prétraiter un jeu de données qui servira ensuite à l'ajustement fin d'un modèle de langage afin qu'il puisse prédire l'intention derrière la question d'un client et acheminer les demandes à la bonne équipe pour le traitement.
On vous fournit un jeu de données où la question du client et l'intention se trouvent dans des colonnes distinctes. Vous souhaitez le prétraiter afin de fusionner chaque exemple contenant la question et l'intention en une seule chaîne grâce à votre invite formatée.
Le jeu de données est déjà chargé dans dataset. Il contient la colonne instruction pour la question du client et intent pour l'intention de l'utilisateur.
Cette activité fait partie du cours
Ajustement fin avec Llama 3
Instructions de l’exercice
- Créez une chaîne d'invite avec l'instruction et l'intention sous la forme
"Query: {instruction}\nIntent: {intent}". - Complétez l'appel de fonction avec le jeu de données pour appliquer
create_intent_exampleà chaque rangée. - Extrayez et affichez la valeur de la colonne
intent_exampleà la première rangée du jeu de données.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
def create_intent_example(row):
# Fill out the columns in the prompt
row['intent_example'] = ____
return row
# Call the ds method to apply our preprocessing function to all rows
processed_dataset = dataset.____(____)
# Print the intent_example in the first row of the processed data
print(processed_dataset[____][____])