Introduzione rapida: prova il caso d'uso end-to-end watsonx.ai

Questa esercitazione si concentra su un caso di utilizzo di esempio nel settore finanziario. Golden Bank deve implementare un processo per analizzare le promozioni di marketing per incrementare le vendite dei propri prodotti di investimento.

Servizi richiesti
watsonx.ai
Watson Machine Learning
Watson Studio
Modello richiesto
Un modello da incastonare

Scenario: Processo di promozione del marketing bancario

Per raggiungere questo obiettivo, il tipico processo potrebbe essere il seguente:

  1. L'ingegnere dei dati visualizza e prepara i dati di marketing della banca per verificare il formato corretto per addestrare il modello.
  2. L'ingegnere ML buildS un modello di apprendimento automatico per prevedere l'efficacia delle loro promozioni.
  3. L'ingegnere ML distribuisce e testa il modello.
  4. Lo scienziato dei dati scrive un codic Python e per trovare promozioni simili per i concorrenti della banca.
  5. L'ingegnere sollecito:
    • Costruisce modelli rapidi per eseguire attività di sintesi e di risposta alle domande.
    • Confronta le prestazioni di più prompt per determinare se è necessario un nuovo addestramento.
    • Mette a punto il modello di base con dati di riqualificazione per fornire le migliori prestazioni e il miglior rapporto costo-efficacia.
    • Crea una pipeline per semplificare il processo di riqualificazione.

Flusso di lavoro attività di base utilizzando watsonx.ai

Watsonx.ai può aiutare a completare ogni fase di questo processo. Il flusso di lavoro di base include le seguenti attività:

  1. Aprire un progetto. I progetti sono dove è possibile collaborare con altri per lavorare con i dati.
  2. Aggiungere dati al progetto. È possibile aggiungere file o dati provenienti da una fonte di dati remota tramite una connessione. CSV
  3. Preparare i dati di formazione in Data Refinery.
  4. Addestrare un modello con i dati di addestramento. Per addestrare il modello è possibile utilizzare vari strumenti, come ad esempio AutoAI, SPSS Modeler o i notebook Jupyter.
  5. Distribuisci e testa il tuo modello in uno spazio di progetto o di distribuzione.
  6. Raccogliere e analizzare i dati relativi al modello in un notebook Jupyter.
  7. Richiedi un modello di fondazione in Prompt Lab.
  8. Confronta le prestazioni immediate in Evaluation Studio.
  9. Regola il modello di fondazione in Tuning Studio.
  10. Automatizzare il ciclo di vita di un modello con Pipelines.

Informazioni su watsonx.ai

Per trasformare i tuoi processi di business con soluzioni basate sull'intelligenza artificiale, la tua azienda deve integrare sia il machine learning che l'intelligenza artificiale generativa nel tuo framework operativo. Watsonx.ai fornisce i processi e le tecnologie per consentire alla tua azienda di sviluppare e distribuire modelli di machine learning e soluzioni AI generative.

Ulteriori informazioni su watsonx.ai

Ulteriori informazioni sui casi di utilizzo watsonx.ai

Guarda un video su watsonx.ai

Guarda il video Guarda questo video per vedere in anteprima i passaggi di questo tutorial. Potrebbero esserci lievi differenze nell'interfaccia utente mostrata nel video. Il video è destinato ad essere un compagno del tutorial scritto. Il video inizia dalla watsonx schermata iniziale. L'utente seleziona l 'icona più (+) nella sezione Progetti per creare un nuovo progetto, quindi seleziona la scheda Campione per creare un progetto campione.

Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.


Prova un'esercitazione per watsonx.ai

In questa esercitazione, verranno completate le seguenti attività:



Suggerimenti per completare questa esercitazione
Ecco alcuni suggerimenti per completare con successo questa esercitazione.

Configurare le finestre del browser

Per un'esperienza ottimale durante lo svolgimento di questo tutorial, apri il tuo account in una finestra del browser e mantieni aperta questa pagina del tutorial in un'altra finestra del browser, in modo da poter passare facilmente da una finestra all'altra. Prendi in considerazione la possibilità di organizzare le due finestre del browser fianco a fianco per renderle più semplici da seguire.

Esercitazione e IU affiancati

Suggerimento: se si incontra un tour guidato mentre si completa questa esercitazione nell'interfaccia utente, fare clic su Forse in seguito.

Attività 1: creare un progetto di esempio

Questo tutorial utilizza un progetto di esempio che contiene il set di dati, il notebook e i modelli di prompt per eseguire l'analisi. Per creare un progetto basato su un esempio, attenersi alla seguente procedura:

  1. Scarica il getting-started-with-watsonxai.zip file.

  2. Dal menu di navigazione Menu di navigazione, seleziona Progetti > Tutti i progetti.

  3. Nella pagina Progetti , fare clic su Nuovo progetto.

  4. Selezionare File locale.

  5. Caricare il file compresso scaricato in precedenza.

  6. Nella pagina Crea un progetto , copiare e incollare il nome del progetto e aggiungere una descrizione facoltativa per il progetto.

    Getting started with watsonx.ai

  7. Fare clic su Crea.

  8. Fare clic su Visualizza nuovo progetto per verificare che il progetto e gli asset siano stati creati correttamente.

  9. Fare clic sulla scheda Asset per visualizzare gli asset del progetto.

Icona Checkpoint Controlla i tuoi progressi

La seguente immagine mostra la scheda Asset del progetto. Ora è possibile visualizzare i dati di addestramento.

alt text

Compito 2: visualizzare e preparare i dati

I dati rappresentano campagne di marketing diretto (telefonate) di un istituto bancario portoghese. L'obiettivo della classificazione è prevedere se il cliente sottoscriverà (sì/no) un deposito a termine (colonna current_outcome). Questo set di dati si basa su un set di dati proveniente dal repository UCI Machine Learning.

Compito 2a: Visualizza i dati

Per prima cosa, si visualizzano i dati per vedere se ci sono anomalie evidenti. Seguire questi passaggi per visualizzare i dati:

  1. Apri il bank-marketing-data.csv set di dati. Le colonne contengono informazioni sui potenziali clienti.
  2. Fai clic sull'icona Visualizza Visualizza informazioni sulle risorse informazioni sulla risorsa per chiudere il riquadro Informazioni su questa risorsa.
  3. Fare clic sulla scheda Visualizzazione .
    1. Selezionare la colonna current_outcome come Colonne da visualizzare. Questa colonna indica se la persona contattata ha accettato l'offerta corrente; questa colonna è la colonna target quando si costruisce il modello.
    2. Fare clic su Aggiungi un'altra colonna, quindi selezionare la colonna previous_outcome. Questa colonna indica se la persona contattata ha accettato l'offerta precedente. Si noti che i tipi di grafici con un punto blu sono i grafici suggeriti.
    3. Selezionare il tipo di grafico ad albero. Questo grafico mostra un confronto tra le persone che hanno accettato un'offerta precedente e se quelle stesse persone hanno accettato l'offerta attuale.
    4. Passa il mouse sul nodo principale per vedere il numero totale di record nel set di dati.
    5. Allo stesso modo, passa il mouse sui nodi no e sì per vedere quei totali.
    6. Passa il mouse sul nodo senza etichetta per vedere il numero totale di record nel set di dati in cui il campo current_outcome è nullo.

Icona Checkpoint Controlla i tuoi progressi

L'immagine seguente mostra una visualizzazione del file bank-marketing-data.csv. Ora sei pronto per preparare i dati di addestramento.

Visualizzazione dei dati di addestramento

Compito 2b: Preparare i dati

Poiché current_outcome è la colonna di destinazione, è necessario preparare il set di dati per rimuovere le righe con valori nulli. Seguire questi passaggi per preparare il set di dati:

  1. Fare clic su Prepare data (Prepara dati ) per aprire Data Refinery.
  2. Chiudi il riquadro Informazioni su questo asset.
  3. Selezionare la colonna current_outcome.
  4. Fare clic su Nuovo passaggio > Rimuovi righe vuote.
  5. Fare clic su Applica.
  6. Fare clic sulla scheda Profilo per verificare l'azione.
  7. Scorrere fino alla colonna current_outcome per vedere che tutti i valori sono "yes" o "no".

Icona Checkpoint Controlla i tuoi progressi

L'immagine seguente mostra la colonna current_outcome nella scheda Profile. Ora è possibile creare il modello utilizzando questi dati di addestramento.

La colonna current_outcome nella scheda Profile

Compito 2c: Salvare i dati raffinati

Per salvare i dati raffinati, specificare il nome del file per il set di dati di destinazione, quindi creare ed eseguire un lavoro. Seguire questi passaggi per salvare i dati modificati:

  1. Specificare il nome del file:

    1. Clicca sull'icona Impostazioni Impostazioni.
    2. Fare clic sulla pagina Target data set (Set di dati target).
    3. Fare clic su Modifica proprietà.
    4. Cambiare il nome del Data asset* in bank-marketing-data-prepared.csv.
    5. Fare clic su Salva.
    6. Fare clic su Applica.

  2. Creare ed eseguire il lavoro:

    1. Dalla barra degli strumenti, clicca sull'icona Lavori e seleziona Salva e crea un lavoro.
      Salvare e creare un lavoro

    2. Digitare il seguente nome,, e fare clic su Avanti.

      Bank marketing experiment

    3. Nella pagina Configura, selezionare un ambiente di runtime e fare clic su Avanti.

    4. Nella pagina Pianificazione, accetta i valori predefiniti e fai clic su Avanti.

    5. Nella pagina Notifica, mantieni le notifiche disattivate per questo lavoro e fai clic su Avanti.

    6. Rivedi i dettagli e fai clic su Crea ed esegui per eseguire immediatamente il lavoro.

  3. Quando il lavoro viene creato, clicca sul link dei dettagli del lavoro nella notifica per visualizzare il lavoro nel tuo progetto. In alternativa, puoi navigare nella scheda Lavori nel progetto e fare clic sul nome del lavoro per aprirlo.

  4. Quando lo stato del lavoro è Completato, utilizzare il percorso di navigazione del progetto per tornare alla scheda Risorse nel progetto.

  5. Fare clic sulla sezione Dati > Risorse dati per vedere l'output del flusso di dati di configurazione ( Data Refinery ) e aprire il bank-marketing-data-prepared.csv per verificare i valori.

Icona Checkpoint Controlla i tuoi progressi

L'immagine seguente mostra il file " bank-marketing-data-prepared.csv ". Ora è possibile creare il modello utilizzando questi dati di addestramento.

Anteprima del file bank-marketing-data-prepared.csv

Attività 3: addestrare il modello

Per addestrare il modello è possibile utilizzare vari strumenti, come ad esempio AutoAI, SPSS Modeler o i notebook Jupyter. In questo tutorial, addestrerai un modello di classificazione binaria predittiva con AutoAI. Seguire questa procedura per creare l'esperimento AutoAI :

  1. Tornate alla scheda Assets del progetto e fate clic su New asset > Build machine learning models automatically.

  2. Nella pagina Build machine learning models automatically, digitare il nome:

    Bank marketing experiment

  3. Fare clic su Crea.

  4. Seleziona Crea modelli di apprendimento automatico come attività per questo esperimento.

  5. Nella pagina Aggiungi origine dati , aggiungere i dati di addestramento:

    1. Fare clic su Seleziona dal progetto.

    2. Selezionare Dati asset > bank-marketing-data-prepared.csv, quindi fare clic su Seleziona asset.

  6. Per creare un'analisi delle serie temporali, selezionare No.

  7. Selezionare il risultato attuale per la colonna Previsione.

  8. Fare clic su Esegui esperimento. Mentre il modello si allena, viene visualizzata un'infografica che mostra il processo di costruzione delle condutture.
    Crea pipeline modello

    Per un elenco di algoritmi, o stimatori, disponibili con ogni tecnica di apprendimento automatico in AutoAI,, vedere: AutoAI implementation details.

  9. Al termine dell'esperimento, visualizza le condutture classificate in una classifica.

    Classifica delle pipeline

  10. Fare clic su Pipeline comparison per vedere le differenze.

    Grafico metrico di confronto pipeline

  11. Nella classifica Pipeline, clicca sulla pipeline con il punteggio più alto per visualizzarne i dettagli.

  12. Esaminare la pagina Valutazione del modello per vedere le prestazioni del modello nel grafico della curva ROC e nella tabella delle misure di valutazione del modello.

  13. Salvare il modello.

    1. Fare clic su Salva con nome.

    2. Selezionare Modello.

    3. Per il nome del modello, immettere:

      Bank marketing prediction model

    4. Fare clic su Crea. Ciò salva la pipeline come modello nel tuo progetto.

  14. Una volta salvato il modello, fare clic sul collegamento Visualizza nel progetto nella notifica per visualizzare il modello nel progetto. In alternativa, è possibile passare alla scheda Asset nel progetto e fare clic sul nome del modello nella sezione Modelli .

Icona Checkpoint Controlla i tuoi progressi

La seguente immagine mostra il modello.

La seguente immagine mostra il modello.

Attività 4: distribuzione del modello

Il prossimo compito è promuovere il modello in uno spazio di distribuzione e quindi creare una distribuzione online.

Compito 4a: Promuovere i dati del test in uno spazio di implementazione

Il progetto di esempio include i dati di test. Si promuovono tali dati di test in uno spazio di distribuzione, in modo da poter utilizzare i dati di test per verificare il modello distribuito. Attenersi alla seguente procedura per promuovere i dati di test in uno spazio di distribuzione:

  1. Tornare alla scheda Asset del progetto.

  2. Fai clic sul menu Overflow Menu di overflow per la risorsa bank-marketing-test-data.csv dati e seleziona Promuovi allo spazio.

  3. Scegliere uno spazio di distribuzione esistente. Se non si dispone di uno spazio di distribuzione:

    1. Fare clic su Crea un nuovo spazio di distribuzione.

    2. Per il nome, immettere:

      Bank marketing promotion space

    3. Fare clic su Crea.

    4. Chiudere la notifica quando lo spazio è pronto.

  4. Selezionare il nuovo spazio di distribuzione dall'elenco.

  5. Fare clic su Promuovi.

  6. Fare clic su Chiudi per tornare alla scheda Risorse del progetto.

Icona Checkpoint Controlla i tuoi progressi

La seguente immagine mostra la pagina Promuovi allo spazio .

La seguente immagine mostra la pagina Promuovi a spazio.

Attività 4b: Promuovere il modello in uno spazio di distribuzione

Prima di poter distribuire il modello, è necessario promuoverlo in uno spazio di distribuzione. Attenersi alla seguente procedura per promuovere il modello a uno spazio di distribuzione:

  1. Fare clic sul menu Overflow Menu di overflow per l'asset di dati del modello di previsione di marketing bancario e selezionare Promuovi nello spazio.

  2. Selezionare lo stesso spazio di distribuzione dall'elenco.

  3. Fare clic su Promuovi.

  4. Seleziona l'opzione Vai al modello nello spazio dopo averlo promosso .

  5. Fare clic su Promuovi.

Nota: se non hai selezionato l'opzione per andare al modello nello spazio dopo averlo promosso, puoi utilizzare il menu di navigazione per passare a Distribuzioni per selezionare il tuo spazio di distribuzione e il modello.

Icona Checkpoint Controlla i tuoi progressi

La seguente immagine mostra il modello nello spazio di installazione.

La seguente immagine mostra il modello nello spazio di distribuzione.

Attività 4c: creare e verificare una distribuzione del modello

Ora che il modello è nello spazio di distribuzione, attenersi alla seguente procedura per creare la distribuzione del modello:

  1. Con il modello aperto, fare clic su Nuova distribuzione.

    1. Selezionare In linea come Tipo di distribuzione.

    2. Per il nome distribuzione, immettere:

      Bank marketing model deployment

    3. Fare clic su Crea.

  2. Una volta completata la distribuzione, fare clic sul nome della distribuzione per visualizzare la pagina dei dettagli della distribuzione.

  3. Nella scheda di riferimento API, rivedere l'endpoint di punteggio, che è possibile utilizzare per accedere a questo modello a livello di programmazione nelle applicazioni.

  4. Verificare il modello.

    1. Fare clic sulla scheda Test . Puoi testare il modello distribuito dalla pagina dei dettagli di distribuzione in due modi: test con un modulo o test con codice JSON. In questo caso, seleziona il file ` CSV ` che hai trasferito dal progetto di esempio allo spazio di distribuzione.

    2. Per individuare i dati di test, fare clic su Cerca nello spazio.

    3. Selezionare Dati asset > bank-marketing-test-data.csv.

    4. Fare clic su Conferma.

    5. Fare clic su Predict (Previsione) e rivedere le previsioni per i 60 record nei dati di prova. Il modello restituisce un sì per ogni cliente per il quale il modello prevede che il cliente della banca sottoscriverà un deposito a termine.

Icona Checkpoint Controlla i tuoi progressi

La seguente immagine mostra i risultati del test dal modello distribuito.

La seguente immagine mostra i risultati del test dal modello distribuito.

Compito 5: Raccogliere i programmi di marketing dei concorrenti

Sebbene l' Prompt Lab e possa lavorare con testo strutturato e non strutturato, è essenziale assicurarsi di inserire i dati corretti che il modello può elaborare. Puoi farlo in un notebook Jupyter con un codic Python.

Poiché i modelli di base hanno un limite al numero di token che possono elaborare in un singolo prompt (noto come finestra di contesto), potrebbe essere necessario suddividere o riassumere i dati per rientrare in questo limite. Questo passo garantisce che i dati di input siano in un formato che il modello di base può elaborare in modo efficace senza perdere le informazioni essenziali.

Attenersi alla seguente procedura per eseguire il notebook:

  1. Dal menu di navigazione Menu di navigazione, seleziona Progetti > Tutti i progetti.
  2. Apri il progetto Guida introduttiva a watsonx.ai.
  3. Fare clic sulla scheda Asset .
  4. Fai clic sul menu Overflow Menu di overflow del notebook Estrai e suddividi il testo dai programmi della concorrenza, quindi seleziona Modifica.
  5. Completare la sezione Configurazione .
    1. Fare clic sull'icona Esegui Esegui nella prima cella per importare le librerie.
    2. Ottenere le chiavi API necessarie:
      1. Seguite il link per creare un account e una chiave API all'indirizzo TheNewsAPI.
      2. Incolla la chiave API nella variabile thenewsapi_key .
      3. Segui il collegamento per creare un account e una chiave API in ArticlExtractor.
      4. Incolla la chiave API nella variabile extract_key .
    3. Eseguire la cella per impostare le due variabili chiave API.
  6. Eseguire le celle nella sezione Definire la funzione per ottenere gli URL degli articoli di notizie .
    • La prima cella in questa sezione definisce una funzione per ottenere dati da TheNewsAPI's Top Stories e impostare i parametri per essere sicuri di ricevere notizie rilevanti.
    • La seconda cella in questa sezione definisce una funzione per ottenere un elenco di URL in base alla risposta.
  7. Eseguire le celle nella sezione Definire la funzione per estrarre il testo delle notizie .
    • La prima cella definisce una funzione per estrarre il testo di una notizia da un' URL e di notizie specifica utilizzando un'API di ArticlExtractor.
    • La seconda cella definisce una funzione per combinare il testo delle notizie da tutti gli URL degli articoli ottenuti da TheNewsAPI.
  8. Eseguire la cella nella sezione Definire la funzione per suddivide in blocchi il testo delle notizie .
    • La prima cella in questa sezione definisce una funzione per utilizzare LangChain per dividere il testo dei caratteri tenendo conto del contesto del testo delle notizie. Per assicurarsi che il modello di base possa acquisire le informazioni dal testo, è necessario assicurarsi che il token non superi i limiti della finestra del token di contesto.
    • La seconda cella in questa sezione mostra la risposta. Come si può vedere, il risultato finale dei dati è pronto per essere inserito nell' Prompt Lab. LangChain’s divide il testo lungo in pezzi semanticamente significativi, o frasi, e li combina di nuovo come un testo intero da elaborare. È possibile regolare la dimensione massima dei blocchi.

Icona Checkpoint Controlla i tuoi progressi

La seguente immagine mostra il notebook completato. Ora si dispone del testo suddiviso in blocchi da utilizzare per richiedere il modello di base.

Il notebook completato

Attività 6: Richiedi il modello di base

Ora che hai suddiviso adeguatamente l'articolo di notizie pertinente, puoi costruire i tuoi modelli di prompt nell' Prompt Lab, oppure puoi utilizzare i modelli di prompt di esempio nel progetto di esempio. Il progetto di esempio include modelli di prompt di esempio per attività di riepilogo e di risposta alle domande. Seguire questi passaggi per richiamare il modello di fondazione nell' Prompt Lab :

Attività di riepilogo ( 6a: ) Attività di riepilogo

Per prima cosa, prova il modello di prompt di riepilogo.

  1. Tornare alla scheda Asset del progetto.

  2. Fare clic sul modello di richiesta Riepilogo promozioni banca. In questo modo si apre il modello di prompt nell' Prompt Lab.

  3. Fare clic su Modifica per aprire il modello di prompt in modalità di modifica.

    Per il compito di sintesi, si utilizza il testo dell'articolo di notizie suddiviso in blocchi come esempio di input e si osserva che il professionista del marketing di solito scrive manualmente per spiegare le offerte promozionali come esempio di output. Questo per assicurarci che il risultato sia simile a quello che potrebbe scrivere il team di marketing.

  4. Si noti che il modello di fondazione utilizzato per questo suggerimento è XX.

  5. Fare clic su Genera per visualizzare i risultati di riepilogo.

  6. Prova con un testo di input e output diverso dall'articolo di notizie suddiviso in parti nel notebook.

Compito 6b: Compito di risposta alle domande

Successivamente, prova il modello di risposta alle domande.

  1. Clicca su Prompt salvati Prompt salvati per visualizzare i prompt salvati dal tuo progetto.

  2. Fare clic sul modello di prompt Promozioni del database delle risposte alle domande dall'elenco dei prompt salvati.

  3. Fare clic su Modifica per aprire il modello di prompt in modalità di modifica.

    Per l'attività di risposta alle domande, utilizzare le domande come esempio di input e le risposte nel livello di dettaglio richiesto e nel formato preferito come esempio di output.

  4. Si noti che il modello di fondazione utilizzato per questo suggerimento è flan-t5-xxl-11b.

  5. Fare clic su Genera per visualizzare i risultati di riepilogo.

  6. Sperimentare con un testo di input e output diverso.

Compito 6c: Regolare i parametri del modello

In Prompt Lab, è possibile regolare le impostazioni di decodifica per ottimizzare l'output del modello per l'attività specifica:

  • Decodifica
    • Greedy: seleziona sempre le parole con la probabilità più alta
    • Campionamento: personalizza la variabilità della selezione delle parole
  • Penalità di ripetizione: quanta ripetizione è consentita
  • Criteri di arresto: una o più stringhe che causeranno l'arresto della creazione del testo se prodotto

Questa flessibilità consente un elevato grado di personalizzazione, assicurando che il modello operi con i parametri più adatti ai requisiti e ai vincoli dell'attività.

In Prompt Lab, è possibile impostare dei limiti di token per assicurarsi che le attività rimangano all'interno dell'ambito operativo del modello. Questa impostazione aiuta a bilanciare la completezza della risposta con i limiti tecnici del modello, ottenendo un'elaborazione efficiente ed efficace dei compiti.

Task 6d: Chat con documenti

È inoltre possibile utilizzare la modalità Chat per richiedere un modello di base utilizzando un documento PDF di esempio che fornisce dati. L'aggiunta di uno o più documenti crea un indice vettoriale in memoria che il modello di base utilizzerà per rispondere alla domanda.

  1. Fare clic su Nuovo prompt.

  2. Fare clic su Chat.

  3. Opzionale: selezionare un modello, ad esempio, llama-3-1-8b-instruct.

  4. Fai clic sull'icona Carica documenti Carica documenti e seleziona Aggiungi documenti.

  5. Fare clic su Seleziona dal progetto.

    1. Seleziona Banca CD Rates.pdf.
    2. Fare clic su Seleziona.

  6. Torna alla pagina Back on the Ground gen AI con documenti vettorializzati, verifica il nome e fai clic su Crea.

  7. Nel campo Digita qualcosa, digita la seguente domanda e fai clic sull'icona Invia Invia per visualizzare la risposta.

    Which bank has the best APY for a term deposit and what is the rate?

Icona Checkpoint Controlla i tuoi progressi

L'immagine seguente mostra l' Prompt Lab.

Il Prompt Lab

Passi successivi

Prova con i notebook di prompt

Dall' Prompt Lab, puoi salvare il tuo lavoro in formato notebook:

  1. Caricare un modello di prompt salvato.
  2. Fare clic su Salva lavoro> Salva con nome.
  3. Selezionare Notebook.
  4. Immettere un nome.
  5. Fare clic su Salva, quindi esplorare il blocco appunti della richiesta.
  6. Ripetere questi passi per l'altro modello di prompt.

Ottimizzazione di un modello di base

Potresti voler mettere a punto il modello di fondazione per migliorare le prestazioni del modello rispetto alla sola progettazione rapida o ridurre i costi utilizzando un modello più piccolo che abbia prestazioni simili a quelle di un modello più grande. Vedi l'esercitazione Ottimizza un modello di base .

Ulteriori risorse