Trainingsvoorbeelden maken
Als onderdeel van een klantenservice-chatbot die je team bouwt, maak je een pipeline om een gegevensset te preprocessen die uiteindelijk wordt gebruikt om een taalmodel te fine-tunen zodat het de intentie van een klantvraag kan voorspellen en verzoeken kan doorsturen naar het juiste team.
Je krijgt een gegevensset met de klantvraag en intentie in aparte kolommen, en je wilt de gegevensset preprocessen zodat elk voorbeeld met de vraag en intentie is samengevoegd tot één string met je geformatteerde prompt.
De gegevensset is al geladen in dataset. De gegevensset bevat de kolommen instruction met de klantvraag en intent voor de intentie van de gebruiker.
Deze oefening maakt deel uit van de cursus
Fijn-afstemmen met Llama 3
Oefeninstructies
- Maak een promptstring met de instruction en intent in de vorm
"Query: {instruction}\nIntent: {intent}". - Vul de functieaanroep aan met de gegevensset om
create_intent_exampleop elke rij toe te passen. - Haal de waarde op uit de kolom
intent_examplein de eerste rij van de gegevensset en print die.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
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[____][____])