始める無料で始める

カスタマーサービス向けQAのためのLlamaのファインチューニング

あなたはカスタマーサービス用チャットボットを開発する企業で働いています。チームではカスタマーサービス用ボットに Llama モデルを使っており、カスタマーサービス関連の質問応答データセットでファインチューニングして精度を高めたいと考えています。これらのモデルの性能を最大限に引き出すため、チームはこのタスク向けに bitext データセットを用いて Llama モデルをファインチューニングします。

学習スクリプトはほぼ完成しています。残っているのは、model、tokenizer、学習データセット、学習用引数をまとめて、学習を開始する最終ステップだけです。

この演習はコースの一部です

Llama 3 のファインチューニング

コースを見る

演習の手順

  • 監督ありファインチューニングを実行できるクラスを、対応するライブラリからインポートします。
  • model、tokenizer、dataset、training_arguments を渡して、監督ありファインチューニング用のクラスをインスタンス化します。
  • インスタンスメソッドを実行して、モデルのファインチューニングを開始します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Import the supervised fine-tuning class
from ____ import ____

# Instantiate fine-tuning class
trainer = ____(
  	# Pass necessary arguments
    ____=____,
    ____=____,
    ____=____,
    ____=____,

)

# Start training 
trainer.____()
コードを編集して実行