Criar uma execução de treinamento usando a interface do usuário de ajuste fino do modelo básico

Este artigo descreve como criar e configurar uma execução de treinamento usando a interface do usuário (UI) de Ajuste fino do Modelo Foundation, que agora faz parte do treinamento do modelo de IA do Mosaic. Você também pode criar uma execução usando a API. Para obter instruções, consulte Criar uma execução de treinamento usando a API de ajuste fino do modelo de base.

Requisitos

Confira os Requisitos

Crie uma execução de treinamento usando a interface do usuário

Siga as etapas a seguir para criar uma execução de treinamento usando a Interface do Usuário.

1. Na barra lateral esquerda, clique em Experimentos.

2. No cartão Ajuste fino do Modelo de Fundação, clique em Criar Experimento de Modelo de IA Mosaic.

   

3. O formulário de Ajuste fino do modelo de base é aberto. Os itens marcados com um asterisco são obrigatórios. Faça suas seleções e clique em Iniciar treinamento.

   Tipo: Selecione a tarefa a ser executada.

   Tarefa	Descrição
   Ajuste de instrução	Continue treinando um modelo básico com entrada de prompt e resposta para otimizar o modelo para uma tarefa específica.
   Pré-treinamento contínuo	Continue treinando um modelo de base para fornecer conhecimento específico do domínio.
   Conclusão do chat	Continue a treinar um modelo base com registros de chat para otimizá-lo para perguntas e respostas ou aplicações de conversa.

   Selecionar modelo base: escolha o modelo para ajuste ou treinamento. Para obter uma lista de modelos suportados, veja Modelos suportados.

   Dados de treinamento: clique em Navegar para selecionar uma tabela no Catálogo do Unity ou insira o URL completo de um conjunto de dados Hugging Face. Para recomendações de tamanho de dados, veja Tamanho de dados recomendado para treinamento de modelo.

   Se você selecionar uma tabela no Catálogo do Unity, também deverá selecionar o cálculo a ser usado para ler a tabela.

   Registrar no local: Selecione o catálogo e o esquema do Unity Catalog nos menus suspensos. O modelo treinado é salvo nesse local.

   Nome do modelo: o modelo é salvo com esse nome no catálogo e no esquema que você especificou. Um nome padrão aparece nesse campo, que você pode alterar se desejar.

   Opções avançadas: para obter mais personalização, você pode definir configurações opcionais para avaliação, ajuste de hiperparâmetros ou treinamento a partir de um modelo proprietário existente.

   Configuração	Descrição
   Duração do treinamento	Duração da execução do treinamento, especificada em épocas (por exemplo, 10ep) ou tokens (por exemplo, 1000000tok). O padrão é 1ep.
   Taxa de aprendizado	A taxa de aprendizagem para o treinamento de modelo. Todos os modelos são treinados usando o otimizador AdamW, com aquecimento de taxa de aprendizado. A taxa de aprendizado padrão pode variar por modelo. Sugerimos executar uma varredura de hiperparâmetro tentando diferentes taxas de aprendizagem e durações de treinamento para obter os modelos de mais alta qualidade.
   Tamanho do contexto	O comprimento máximo da sequência de uma amostra de dados. Dados maiores que essa configuração serão truncados. O padrão depende do modelo selecionado.
   Dados de avaliação	Clique em Navegar para selecionar uma tabela no Catálogo do Unity ou insira o URL completo de um conjunto de dados Hugging Face. Se você deixar esse campo em branco, nenhuma avaliação será executada.
   Solicitações de avaliação de modelo	Digite prompts opcionais para usar na avaliação do modelo.
   Nome do experimento	Por padrão, um novo nome gerado automaticamente é atribuído para cada execução. Você pode, opcionalmente, inserir um nome personalizado ou selecionar um experimento existente na lista suspensa.
   Pesos personalizados	Por padrão, o treinamento começa usando os pesos originais do modelo selecionado. Para começar com um ponto de verificação produzido pela API de ajuste fino, insira o caminho para a pasta de artefatos MLflow que contém o ponto de verificação. OBSERVAÇÃO: Se você treinou um modelo antes de 26/03/2025, não poderá mais treinar continuamente a partir desses pontos de verificação de modelo. Quaisquer execuções de treinamento concluídas anteriormente ainda podem ser atendidas com taxa de transferência provisionada sem problemas.

Próximas etapas

Após a conclusão da execução do treinamento, você pode examinar as métricas no MLflow e implantar o modelo para inferência. Consulte as etapas 5 a 7 do Tutorial: Criar e implantar uma execução de ajuste fino de um modelo base.

Confira o notebook de demonstração Ajuste fino de instruções: Reconhecimento de Entidade Nomeada para obter um exemplo que abrange a preparação de dados, a execução de treinamento, a configuração e a implantação do ajuste fino.