実際の顧客クエリとインタラクションに関するモデルを微調(diào)整することにより、ビジネスは応答の品質(zhì)を向上させ、誤解を減らし、全體的なユーザーの満足度を向上させることができます。

また読む：初心者向けガイドの大規(guī)模な言語(yǔ)モデル（LLMS）OpenAIプラットフォームを使用してモデルをトレーニングする方法を見(jiàn)てみましょう。これを4つのステップで行います：

データセットの識(shí)別

dfinetuningデータのダウンロード

データのインポートと前処理
1. Openaiプラットフォームでの微調(diào)整
始めましょう！
ステップ1：データセットの識(shí)別
モデルを微調(diào)整するには、まずユースケースに合わせた高品質(zhì)のデータセットが必要です。この微調(diào)整プロセスのために、AIデータセットとモデルに人気のあるプラットフォームであるHugging Faceからデータセットをダウンロードしました。抱き合っているフェイスデータセットにアクセスして、微調(diào)整に適した幅広いデータセットを見(jiàn)つけることができます。関連するデータセットを検索して、それをダウンロードし、必要に応じてそれを前処理して、特定の要件と一致するようにします。

{"messages": [{"role": "system", "content": "This is an AI assistant for answering FAQs."}, {"role": "user", "content": "What are your customer support hours?"}, {"role": "assistant", "content": "Our customer support is available	1 24/7. How else may I assist you?"}]}

1。次に、Jupyterノートブックにデータをロードし、必要な形式に一致するように変更します。

ここには6つの異なる列があります。しかし、これらは顧客クエリとそれらに相対的な応答がある列であるため、2つの「命令」と「応答」が必要です。

ここで、JSONとはわずかに異なるJSONLファイル形式でデータを保存しています。

json データを単一のファイルに階層構(gòu)造（オブジェクトと配列）として保存し、ネストの構(gòu)造化されたデータに適しています。以下は、JSONファイル形式の例です

{"messages": [{"role": "system", "content": "This is an AI assistant for answering FAQs."}, {"role": "user", "content": "What are your customer support hours?"}, {"role": "assistant", "content": "Our customer support is available	1 24/7. How else may I assist you?"}]}

jsonl は、それぞれが別のライン上に、アレイまたはネストされた構(gòu)造がない複數(shù)のJSONオブジェクトで構(gòu)成されています。この形式は、大規(guī)模なデータセットのストリーミング、処理、およびデータラインごとの処理により効率的です。Belowは、jsonlファイル形式の例です。 ステップ4：Openaiプラットフォームでの微調(diào)整

import pandas as pd
splits = {'train': 'data/train-00000-of-00001.parquet', 'test': 'data/test-00000-of-00001.parquet'}
df_train = pd.read_parquet("hf://datasets/charles828/vertex-ai-customer-support-training-dataset/" + splits["train"])

上記の畫(huà)像のハイパーパラメーターの內(nèi)訳は次のとおりです。

バッチサイズ：これは、モデルの重みを更新する前に、1つのパス（またはステップ）で使用されるトレーニング例（データポイント）の數(shù)（データポイント）の數(shù)を指します。すべてのデータを一度に処理する代わりに、モデルは一度に小さなチャンク（バッチ）を処理します。バッチサイズが小さくなるには時(shí)間がかかりますが、より良いモデルを作成する場(chǎng)合があります。ここで正しいバランスを見(jiàn)つける必要があります。大きなものはより安定しているかもしれませんが、はるかに速いかもしれません。

これは、更新されるたびにモデルの重みがどの程度変化するかを調(diào)整する要因です。高く設(shè)定されている場(chǎng)合、モデルはより速く學(xué)習(xí)する可能性がありますが、最良のソリューションをオーバーシュートする可能性があります。それが低い場(chǎng)合、モデルはよりゆっくりと學(xué)習(xí)しますが、より正確になる可能性があります。 エポックの數(shù)：

3。 「監(jiān)視」として、選択した「ベースモデル」としてメソッドを選択します。 GPT-4Oを選択しました。

4。トレーニングデータにJSONファイルをアップロードします 5。モデルを微調(diào)整するタスクに関連する「サフィックス」を追加します。

7。 「作成」をクリックすると、微調(diào)整が開(kāi)始されます

9。これで、右下隅の「遊び場(chǎng)」をクリックすることにより、微調(diào)整されたモデルと既存のモデルを比較できます。

高コストを考えると、スケールアップする前に初期テストのために小さなデータセットから始めることをお?jiǎng)幛幛筏蓼?。データセットが適切に構(gòu)造化され、関連性があることを確認(rèn)することで、パフォーマンスとコスト効率の両方を最適化するのに役立ちます。

クエリ1

Finetuned GPT-4Oモデルによる 応答：

GPT-4Oによる

応答：

微調(diào)整されたモデルは、標(biāo)準(zhǔn)のGPT-4Oと比較して、より詳細(xì)でユーザー中心の応答を提供します。 GPT-4oは機(jī)能的なステップバイステップガイドを提供しますが、微調(diào)整されたモデルは、アドレスの追加と編集を明示的に區(qū)別することにより、明確さを強(qiáng)化します。ユーザーにとってより魅力的で安心し、積極的な支援を提供します。これは、カスタマーサービスのベストプラクティスに合わせて、微調(diào)整されたモデルの優(yōu)れた能力を示しています。したがって、微調(diào)整されたモデルは、ユーザーフレンドリーで構(gòu)造化された、サポート的な応答を必要とするタスクのより強(qiáng)い選択です。

クエリ：

「アカウントカテゴリアカウントに変更するために支援が必要です」

応答：

応答：

比較分析

微調(diào)整されたモデルは、ベースモデルと比較してユーザーのエンゲージメントと明確さを大幅に向上させます。 GPT-4oは構(gòu)造化されたが一般的な応答を提供しますが、微調(diào)整されたバージョンはより會(huì)話的で協(xié)力的なトーンを採(cǎi)用し、相互作用をより自然に感じさせます。

クエリ：「?jìng)€(gè)人情報(bào)を更新する方法がわからない」 応答：

応答：

比較分析

全體的な比較分析

結(jié)論

この場(chǎng)合、モデルを微調(diào)整して、顧客によりよく応答します。相互作用がより個(gè)人的で、フレンドリーで、サポート的に感じられるようになり、接続が強(qiáng)くなり、ユーザーの満足度が高まります?；茎猊钎毪厦鞔_で正確な情報(bào)を提供しますが、ロボットで魅力的でないと感じることができます。 Openaiの便利なWebプラットフォームを介してモデルを微調(diào)整することは、ドメイン固有のタスクのカスタム大型言語(yǔ)モデルを構(gòu)築するのに最適な方法です。