Glossarju

Instruction Tuning

X'inhu Instruction Tuning?

L-instruction tuning huwa forma ta' fine-tuning li fiha mudell lingwistiku mħarreġ minn qabel jitħarreġ aktar fuq ħafna pari ta' struzzjonijiet u tweġibiet mixtieqa. Dan jgħallem lill-mudell isegwi kompiti ifformulati b'lingwa naturali minflok ma sempliċement ikompli t-test. Huwa pass ewlieni biex mudell bażi jinbidel f'assistent u spiss jiġi kkombinat ma' metodi bħal RLHF. Eżempju: “Għamel sommarju ta' dan it-test fi tliet sentenzi” jiġi esegwit b'mod affidabbli.

Kif jgħin KI.ordo

KI.ordo ma tħarreġx mudelli; tuża l-mudelli Claude ta' Anthropic, li diġà huma mħarrġa bħala assistenti, u tidderieġi l-imġiba tagħhom permezz ta' struzzjonijiet u għarfien.

Sir af aktar

Suġġetti

Fine-tuning
Mudelli lingwistiċi
Training

Ipprova KI.ordo

Aġenti, flussi tax-xogħol u mudelli fi spazju tax-xogħol wieħed – demo b'xejn għal 24 siegħa.

Ibda d-demo

← It-termini kollha

Termini relatati

Fine-tuning

Il-fine-tuning jfisser it-taħriġ ulterjuri ta' mudell tal-IA diġà mħarreġ minn qabel fuq data addizzjonali, normalment speċifika għall-kompitu. Il-piżijiet interni tiegħu jiġu aġġustati sabiex il-mudell jittratta b'mod aktar affidabbli, pereżempju, stil ta' kitba partikolari, vokabularju speċjalizzat jew format tal-output. Il-fine-tuning jeħtieġ data ta' eżempju ppreparata bir-reqqa, qawwa tal-komputazzjoni u ttestjar. Għal ħafna applikazzjonijiet, struzzjonijiet miktuba tajjeb u għarfien konness huma biżżejjed u aktar faċli biex jinbidlu.

Taħriġ tal-mudelli
Personalizzazzjoni
+1

Tagħlim bir-rinforz minn feedback tal-bniedem (RLHF)

L-RLHF huwa metodu ta' taħriġ li jagħmel il-mudelli lingwistiċi aktar siewja u aktar sikuri. In-nies jqabblu u jevalwaw diversi tweġibiet tal-mudell; dawn il-ġudizzji jintużaw biex jitħarreġ mudell tal-premjijiet, li mbagħad iħarreġ aktar lill-mudell lingwistiku stess permezz tat-tagħlim bir-rinforz. Dan jgħallmu, per eżempju, iwieġeb b'mod aktar ċar jew jirrifjuta talbiet problematiċi. L-RLHF isir għand il-fornitur tal-mudell qabel ma mudell jinħareġ – mhux ma' utenti individwali.

taħriġ
feedback tal-bniedem
+1

Mudell lingwistiku kbir (LLM)

Mudell lingwistiku kbir (LLM) huwa netwerk newrali mħarreġ fuq kwantitajiet kbar ħafna ta' test, li jippermettilu jifhem u jiġġenera lingwa. Jaħdem billi jikkalkula pass pass l-aktar token probabbli li jmiss. L-LLMs jiktbu, jagħmlu sommarji, jittraduċu, iwieġbu mistoqsijiet u jiġġeneraw kodiċi; eżempji magħrufa jinkludu Claude, GPT, Gemini u Llama. Mingħajr aċċess għal sorsi kurrenti, jafu biss dak li kien fid-data tat-taħriġ tagħhom.

Mudelli lingwistiċi
IA ġenerattiva
+1

Prompt

Prompt huwa l-input li jgħid lil mudell tal-IA x'għandu jagħmel – mistoqsija, kompitu jew struzzjoni, spiss supplimentata b'kuntest, eżempji u l-format mixtieq. Il-kwalità tat-tweġiba tiddependi ħafna minn kemm il-prompt ikun ċar u komplut. Per eżempju, minflok “Ikteb xi ħaġa dwar il-prodott tagħna”, uża “Ikteb tliet benefiċċji qosra tal-prodott X għan-negozji tal-kummerċ, b'ton fattwali”.

prompting
input
+1

Mudell