O mundo dos LLMs open source é empolgante e está em constante evolução. Esta lição tem como objetivo fornecer uma visão aprofundada sobre modelos open source. Se você está procurando informações sobre como modelos proprietários se comparam aos modelos open source, vá para a lição "Explorando e Comparando Diferentes LLMs". Esta lição também abordará o tema do fine-tuning, mas uma explicação mais detalhada pode ser encontrada na lição "Fine-Tuning LLMs".
- Obter uma compreensão dos Modelos open source
- Entender os benefícios de trabalhar com Modelos open source
- Explorar os modelos open disponíveis no Hugging Face e no Azure AI Studio
O software open source desempenhou um papel crucial no crescimento da tecnologia em vários campos. A Open Source Initiative (OSI) definiu 10 critérios para software ser classificado como open source. O código-fonte deve ser compartilhado abertamente sob uma licença aprovada pela OSI.
Embora o desenvolvimento de LLMs tenha elementos semelhantes ao desenvolvimento de software, o processo não é exatamente o mesmo. Isso gerou muita discussão na comunidade sobre a definição de open source no contexto dos LLMs. Para que um modelo esteja alinhado com a definição tradicional de open source, as seguintes informações devem estar publicamente disponíveis:
- Conjuntos de dados usados para treinar o modelo.
- Pesos completos do modelo como parte do treinamento.
- O código de avaliação.
- O código de fine-tuning.
- Pesos completos do modelo e métricas de treinamento.
Atualmente, existem apenas alguns modelos que atendem a esses critérios. O modelo OLMo criado pelo Allen Institute for Artificial Intelligence (AllenAI) é um que se encaixa nessa categoria.
Para esta lição, nos referiremos aos modelos como "modelos open" daqui para frente, pois eles podem não corresponder aos critérios acima no momento da escrita.
Altamente Personalizáveis - Como os modelos open são lançados com informações detalhadas de treinamento, pesquisadores e desenvolvedores podem modificar os internos do modelo. Isso possibilita a criação de modelos altamente especializados que são fine-tuned para uma tarefa ou área de estudo específica. Alguns exemplos disso são geração de código, operações matemáticas e biologia.
Custo - O custo por token para usar e implantar esses modelos é menor do que o dos modelos proprietários. Ao construir aplicações de IA Generativa, deve-se analisar o desempenho versus preço ao trabalhar com esses modelos no seu caso de uso.
Fonte: Artificial Analysis
Flexibilidade - Trabalhar com modelos open permite que você seja flexível em termos de usar diferentes modelos ou combiná-los. Um exemplo disso são os Assistentes HuggingChat, onde o usuário pode selecionar o modelo usado diretamente na interface:
LLama2, desenvolvido pela Meta, é um modelo open otimizado para aplicações baseadas em chat. Isso se deve ao seu método de fine-tuning, que incluiu uma grande quantidade de diálogo e feedback humano. Com esse método, o modelo produz resultados mais alinhados às expectativas humanas, proporcionando uma melhor experiência ao usuário.
Alguns exemplos de versões fine-tuned do Llama incluem o Japanese Llama, que é especializado em japonês, e o Llama Pro, que é uma versão aprimorada do modelo base.
Mistral é um modelo open com forte foco em alto desempenho e eficiência. Ele usa a abordagem Mixture-of-Experts, que combina um grupo de modelos especialistas especializados em um sistema onde, dependendo da entrada, certos modelos são selecionados para uso. Isso torna o cálculo mais eficaz, pois os modelos lidam apenas com as entradas nas quais são especializados.
Alguns exemplos de versões fine-tuned do Mistral incluem o BioMistral, que é focado no domínio médico, e o OpenMath Mistral, que realiza cálculos matemáticos.
Falcon é um LLM criado pelo Technology Innovation Institute (TII). O Falcon-40B foi treinado com 40 bilhões de parâmetros e demonstrou desempenho superior ao GPT-3 com menor orçamento computacional. Isso se deve ao uso do algoritmo FlashAttention e atenção multiquery, que permite reduzir os requisitos de memória no momento da inferência. Com esse tempo de inferência reduzido, o Falcon-40B é adequado para aplicações de chat.
Alguns exemplos de versões fine-tuned do Falcon são o OpenAssistant, um assistente construído com modelos open, e o GPT4ALL, que oferece desempenho superior ao modelo base.
Não há uma resposta única para escolher um modelo open. Um bom ponto de partida é usar o recurso de filtro por tarefa do Azure AI Studio. Isso ajudará você a entender para quais tipos de tarefas o modelo foi treinado. O Hugging Face também mantém um LLM Leaderboard que mostra os modelos com melhor desempenho com base em certas métricas.
Ao buscar comparar LLMs entre os diferentes tipos, o Artificial Analysis é outro ótimo recurso:
Fonte: Artificial Analysis
Se estiver trabalhando em um caso de uso específico, buscar versões fine-tuned focadas na mesma área pode ser eficaz. Experimentar múltiplos modelos open para ver como eles performam de acordo com suas expectativas e as dos seus usuários é outra boa prática.
A melhor parte dos modelos open é que você pode começar a trabalhar com eles rapidamente. Confira o Catálogo de Modelos Azure AI Foundry, que apresenta uma coleção específica do Hugging Face com esses modelos que discutimos aqui.
Após completar esta lição, confira nossa coleção de Aprendizado em IA Generativa para continuar aprimorando seu conhecimento em IA Generativa!
Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.