Agent Platform 訓練總覽

生成式 AI 通常會使用大規模機器學習 (ML) 模型，並以大量資料預先訓練。這些模型稱為基礎模型，可做為各種工作的基礎。您可以使用 Agent Platform，透過多種方式自訂基礎模型：

• 調整：調整是指為模型提供訓練資料集，其中包含與所選下游工作相關的特定範例。

  • 監督式調整： 這項技術會使用有標籤的範例微調模型。每個範例都會呈現出模型在推論期間，針對指定輸入字詞應輸出的結果。監督式調整適用於預期輸出結果不會過於複雜，且可明確定義的工作，例如分類、情緒分析、實體擷取、較簡單內容的摘要，以及產生特定領域的查詢。您可以使用監督式學習調整文字、圖片、音訊和文件資料類型。
  • 人類回饋增強學習 (RLHF) 調整：如果選取的模型輸出內容較為複雜，就適合使用這種方法。對於難以透過監督式微調區分的目標，例如回答問題、重點摘要複雜內容，以及生成創意內容，RLHF 微調效果良好。

• 蒸餾：蒸餾通常會訓練較小的「學生」模型，模仿功能更強大的「老師」模型。

• 轉接器模型訓練：這項作業會訓練較小的轉接器模型 (或層)，與基礎模型搭配運作，提升專業工作的效能。原始基礎模型的參數通常會保持凍結，訓練期間只會更新轉接程式的權重。

• 建立基準：這不是訓練方法，但對於確保生成式 AI 輸出內容的可靠性至關重要。建立基準是指將模型輸出內容連結至可驗證的資訊來源，降低捏造內容的可能性。通常是在推論期間，為模型提供特定資料來源的存取權。

後續步驟

• Agent Platform 的生成式 AI 總覽