Magyar kiadás
OpenAI-modellek finomhangolása
Készítse elő adatait, tanítsa be, értékelje ki és telepítse a saját üzleti területére szabott, finomhangolt modellt. Megjegyzés: Az OpenAI saját szolgáltatású finomhangolása fokozatosan megszűnik (2027. január 6. után új feladatokat nem fogadnak el).
16 lecke kb. 1 óra 45 perc Haladó
Tanulási célok
- Annak eldöntése, hogy a finomhangolás indokolt-e a promptokkal vagy a dokumentum-visszakereséssel szemben
- Tanító adatkészlet előkészítése beszélgetés alapú JSONL formátumban, megtisztítva és validálva
- A betanítás elindítása az API-n keresztül, valamint az epochok, a tanulási ráta és a kötegméret beállítása
- Finomhangolt modell értékelése az alapmodellel szemben A/B tesztek és üzleti mutatók segítségével
- Finomhangolt modell telepítése, verziókezelése és egy korábbi verzió visszaállítása a költségek kontrollálása mellett
Tanfolyam-adatlap
- Kinek szól
- Fejlesztők, mérnökök és integrátorok, akik a ChatGPT-t API-n keresztül szeretnék kiaknázni alkalmazásaikban.
- Előfeltételek
- Igazolt tapasztalat alkalmazások fejlesztésében és éles környezetbe történő telepítésében.
- Időtartam
- 1 óra 45 perc — 16 lecke
- Formátum
- 100%-ban online, saját tempóban végezhető kurzus, amely böngészőből 0-24 órában elérhető. A haladás mentésre kerül, bármikor folytatható. Becsült időtartam: 1 óra 45 perc.
- Értékelés
- Önértékelés az egyes leckéket lezáró fő tanulságok alapján, valamint a példák közvetlen gyakorlása saját eseteken. Az utolsó lecke végén található 5 kérdésből álló záró kvíz, amelynek válaszai szintén ott találhatók, hitelesíti a megszerzett tudást.
- Akadálymentesség
- Saját tempóban végezhető kurzus, amely fogyatékkal élő személyek számára is hozzáférhető: a szöveges tartalom kompatibilis a képernyőolvasókkal, támogatja a billentyűzetes navigációt és megfelel a kontrasztkövetelményeknek. Bármilyen igény esetén kérjük, írjon a [email protected] címre.
- Ár
- Ingyenes
A tanfolyam tartalma
- 01 Mikor és miért érdemes modellt finomhangolni?
- 02 Az betanítási adatok előkészítése
- 03 Adatformátum: JSONL beszélgetések
- 04 Adatminőség: tisztítás és validálás
- 05 A finomhangolás elindítása az API-n keresztül
- 06 Hiperparaméterek: Epochok, tanulási ráta, batch size
- 07 Képzés figyelése
- 08 DPO (Direct Preference Optimization)
- 09 Finomhangolás függvényhíváshoz
- 10 A finomhangolt modell kiértékelése
- 11 Összehasonlítás az alapmodellel
- 12 A/B tesztelés és üzleti mutatók
- 13 Iterálás: mikor érdemes újra finomhangolni
- 14 Egy finomhangolt modell üzembe helyezése
- 15 Költségek és optimalizálás
- 16 Verziókezelés és visszagörgetés