Trong bài này
Một mô hình AI không phải tập hợp câu trả lời viết sẵn. Ở mức khái niệm, nó hình thành qua nhiều giai đoạn: chuẩn bị dữ liệu, huấn luyện để học mẫu, điều chỉnh hành vi sau huấn luyện và đánh giá chất lượng.
Thu thập và chuẩn bị dữ liệu
Dữ liệu cần được thu thập, làm sạch và tổ chức theo mục tiêu của hệ thống. Phạm vi và chất lượng dữ liệu ảnh hưởng trực tiếp đến những mẫu mô hình có thể học.
Pre-training
Trong pre-training, mô hình học các mẫu tổng quát từ lượng dữ liệu lớn. Với mô hình ngôn ngữ, quá trình này giúp học quan hệ trong ngôn ngữ và dự đoán phần tiếp theo theo context.
Parameters và post-training
Những gì mô hình học được được phản ánh trong các tham số. Sau pre-training, mô hình có thể được điều chỉnh thêm để làm theo chỉ dẫn và hành xử phù hợp hơn.
Evaluation trước và sau triển khai
Mô hình cần được kiểm tra bằng nhiều bộ đánh giá và tình huống thực tế. Việc đánh giá vẫn tiếp tục sau khi triển khai.
Điều cần nhớ
- Dữ liệu là đầu vào quan trọng của quá trình hình thành mô hình.
- Pre-training học mẫu tổng quát; post-training điều chỉnh hành vi.
- Evaluation là quá trình liên tục.
Kiểm tra nhanh
- Sắp xếp: dữ liệu → huấn luyện → hậu huấn luyện → đánh giá.
- Tham số của mô hình có thể hiểu trực giác là gì?
- Post-training nhằm mục đích gì?
- Vì sao vẫn cần đánh giá sau triển khai?