FacileChoix unique

Question d'entraînement AI-900

Qu'est-ce que le « réglage fin » (fine-tuning) d'un modèle de langage et quand devez-vous l'utiliser à la place de l'ingénierie de prompt?

Choisissez la meilleure réponse.

Bonne réponse

  • BEntraîner davantage un modèle sur des données spécifiques à un domaine pour modifier son comportement de manière permanente pour une tâche

Explication

Le réglage fin (fine-tuning) est le processus qui consiste à prendre un modèle de langage pré-entraîné et à l'entraîner davantage sur un ensemble de données spécifique à un domaine pour adapter son comportement de manière permanente à une tâche particulière. Il est utilisé à la place de l'ingénierie de prompt lorsque la tâche nécessite des sorties cohérentes et spécialisées qui ne peuvent pas être obtenues de manière fiable par de simples instructions de prompt, telles que la classification de dossiers médicaux ou la génération de documents juridiques.

Pourquoi chaque option est juste ou fausse

A

Fausse

Le réglage fin répare les erreurs dans les données d'entraînement de base d'un modèle

Le réglage fin ajuste les poids d'un modèle pré-entraîné à l'aide d'exemples spécifiques à une tâche pour façonner son comportement et son style de sortie; il ne répare pas les erreurs dans les données d'entraînement de base, ce qui n'est ni faisable ni son objectif. C'est tentant car les deux impliquent des données d'entraînement. Le réglage fin convient à un format cohérent ou à un ton de domaine, tandis que l'ingénierie de prompt convient à des ajustements de comportement rapides et à faible coût.

B

Juste

Entraîner davantage un modèle sur des données spécifiques à un domaine pour modifier son comportement de manière permanente pour une tâche

Le réglage fin effectue un entraînement supplémentaire sur des données spécifiques à un domaine, modifiant de manière permanente les poids et le comportement du modèle pour une tâche. Utilisez-le lorsque l'ingénierie de prompt ne peut pas atteindre la cohérence ou la spécialisation requise, et non pour de simples ajustements de format ou de ton.

C

Fausse

Ajuster le paramètre de température du modèle pour produire des résultats plus cohérents

La température est un paramètre d'échantillonnage au moment de l'inférence qui contrôle le caractère aléatoire; elle ne modifie aucun poids, elle ne peut donc pas enseigner au modèle un nouveau comportement de tâche. Cela est tentant car baisser la température produit des résultats plus cohérents, ce qui est la correction appropriée lorsqu'un modèle déployé effectue déjà la tâche mais que les réponses varient trop.

D

Fausse

Sélectionner quel modèle pré-entraîné du catalogue de modèles Azure convient le mieux à votre tâche

Choisir un modèle pré-entraîné dans le catalogue correspond à la sélection de modèle et non au réglage fin, qui réentraîne les poids d'un modèle existant sur vos propres données étiquetées. Cela est tentant car la sélection du catalogue est une étape réelle lors du démarrage d'un projet et qu'aucun modèle de base approprié n'existe, mais cela ne modifie aucun paramètre et n'ajoute aucun comportement spécifique à la tâche.

Pour aller plus loin

Le réglage fin continue d'entraîner les poids d'un modèle pré-entraîné sur un ensemble de données sélectionné afin que le comportement appris persiste à chaque inférence future sans avoir besoin des exemples dans le prompt. L'ingénierie de prompt façonne plutôt la sortie au moment de la requête via des instructions, des exemples ou des messages système, en laissant les poids intacts. Le réglage fin convient à un ton cohérent, à des schémas de sortie stricts ou à un vocabulaire spécialisé qui consommerait par ailleurs de grands budgets de prompts, et il peut réduire la latence et le coût en jetons. Une subtilité : le réglage fin ne peut pas injecter de manière fiable de nouvelles connaissances factuelles et peut aggraver la capacité générale si l'ensemble de données est restreint ou bruyant, de sorte que l'augmentation par récupération est souvent préférable pour modifier des faits. Un cas réaliste est un assistant de support qui doit toujours émettre un schéma de ticket JSON fixe.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.