Maven – Fine-Tuning Open-Weight LLMs for Engineers 2026-10

در تاریخ: 1405/08/14 9:30:51

توضیحات

Fine-Tuning Open-Weight LLMs for Engineers، دوره آموزش تنظیم دقیق مدل های زبانی بزرگ با وزن های باز برای مهندسان توسط آکادمی Maven منتشر شده است.کارگاه عملی و زنده «Fine-Tuning Open-Weight LLMs for Engineers» به تدریس Daniel Voigt Godoy، به مهندسان می‌آموزد که چگونه مدل های زبانی بزرگ را با استفاده از مدل های دارای وزن باز بسازند، تنظیم دقیق کنند و ارزیابی کنند. به جای تکیه بر روش های بیش از حد نظری یا زیرساخت های پرهزینه، یک فرایند عملی و متمرکز را یاد می‌گیرید: انتخاب یک وظیفه مشخص و مناسب برای تنظیم دقیق، آماده سازی مجموعه داده ای پاک و متناسب با وظیفه، آموزش یک آداپتور LoRA/QLoRA با استفاده از سخت افزار در دسترس و ارزیابی این که آیا نتایج به دست آمده ارزش صرف زمان و تلاش را دارند یا خیر. همچنین یاد می‌گیرید تنظیم دقیق را با پرامپت نویسی و تولید تقویت شده با بازیابی اطلاعات (RAG) مقایسه کنید، وظایف را بر اساس میزان تکرار، شفافیت خروجی، امکان ارزیابی، دسترس پذیری داده ها و هزینه بررسی کنید و ایده های کلی را به وظایف مشخص و قابل آموزش تبدیل کنید. این کارگاه قالب بندی نمونه ها در ساختار یکپارچه دستور/ورودی/خروجی، حذف نمونه های مبهم یا کم ارزش، تنظیم پارامترهای آموزش مانند ماژول های هدف، رتبه، نرخ یادگیری، اندازه دسته و طول توالی، و ذخیره آداپتورها برای استفاده مجدد را نیز پوشش می‌دهد.

در طول کارگاه، یک گردش کار کامل برای آماده سازی داده ها، آموزش، استنتاج و ارزیابی را در محیط نوت بوک اجرا می‌کنید. خروجی های شما شامل مجموعه داده ای اختصاصی برای تنظیم دقیق، یک آداپتور آموزش دیده LoRA/QLoRA، مقایسه عملکرد مدل پایه و مدل تنظیم دقیق شده روی مجموعه ارزیابی جداگانه، و یک نوت بوک قابل استفاده مجدد برای آزمایش های آینده خواهد بود. یاد می‌گیرید بهبودها را از نظر یکپارچگی قالب خروجی، دقت انجام وظیفه و الگوهای شکست بررسی کنید و با استفاده از یک چارچوب عیب یابی تشخیص دهید که گام بعدی باید اصلاح داده ها، تعریف وظیفه، انتخاب مدل یا تنظیمات آموزش باشد. همچنین با خطاهای رایج مانند برچسب گذاری نامناسب، خروجی های نامشخص، مجموعه های ارزیابی ضعیف و وظایف بیش از حد گسترده آشنا می‌شوید و تصمیم می‌گیرید که تنظیم دقیق را ادامه دهید، نمونه های بهتری جمع آوری کنید، از RAG استفاده کنید یا فرایند را متوقف کنید. این کارگاه شامل اجرای عملی در Google Colab با استفاده از نسخه رایگان آن و GPU مدل Tesla T4 با حافظه 16 GB، مجموعه داده ارائه شده برای تمرین، چک لیست تصمیم گیری و نسخه دیجیتال کتاب «A Hands-on Guide to Fine-Tuning LLMs» به عنوان مرجع پس از کارگاه است.

آنچه خواهید آموخت

با استفاده از یک چارچوب امتیازدهی ساختارمند، تشخیص دهید چه زمانی تنظیم دقیق نسبت به پرامپت نویسی یا تولید تقویت شده با بازیابی اطلاعات (RAG) مناسب تر است.
وظایف پیشنهادی را بر اساس میزان تکرار، شفافیت خروجی، امکان ارزیابی، دسترس پذیری داده ها و هزینه بررسی کنید.
موارد کاربردی کلی هوش مصنوعی را به وظایف محدود و مشخصی تبدیل کنید که برای تنظیم دقیق مناسب باشند.
مجموعه داده ای پاک و متناسب با وظیفه، با قالب یکپارچه دستور/ورودی/خروجی آماده کنید و نمونه های مبهم یا کم ارزش را حذف کنید.
آداپتورهای LoRA/QLoRA را با تنظیم پارامترهایی مانند ماژول های هدف، رتبه، نرخ یادگیری، اندازه دسته و طول توالی پیکربندی و آموزش دهید.
نتایج تنظیم دقیق را با مقایسه مدل پایه و مدل تنظیم دقیق شده روی یک مجموعه ارزیابی جداگانه بررسی کنید.
بهبودها را از نظر یکپارچگی قالب خروجی، دقت انجام وظیفه و الگوهای شکست ارزیابی کنید.
مشکلات رایج تنظیم دقیق را تشخیص دهید و تعیین کنید که آیا باید داده ها، تعریف وظیفه، انتخاب مدل یا تنظیمات آموزش را بهبود دهید.
از یک نوت بوک قابل استفاده مجدد برای آماده سازی مجموعه داده، آموزش، استنتاج و ارزیابی در آزمایش های آینده استفاده کنید.
بر اساس نتایج اندازه گیری شده تصمیم بگیرید که تنظیم دقیق را ادامه دهید، نمونه های بهتری جمع آوری کنید، به RAG روی بیاورید یا فرایند را متوقف کنید.