Ce guide vous explique comment utiliser W&B avec Azure OpenAI pour suivre et évaluer les jobs de fine-tuning de modèles GPT-3.5 ou GPT-4. Une fois W&B intégré, le suivi des expériences capture les métriques, les hyperparamètres et les artifacts d’entraînement, ce qui vous permet d’analyser et d’améliorer les performances du modèle. Vous pouvez également utiliser les outils d’évaluation de W&B pour choisir vos modèles en vous appuyant sur les données.
Ce guide s’adresse aux spécialistes du machine learning qui effectuent le fine-tuning de modèles Azure OpenAI et recherchent une méthode systématique pour suivre et comparer leurs runs.
Prérequis
Avant de commencer, effectuez les opérations suivantes :
Aperçu du flux de travail
Les étapes suivantes résument le parcours type d’un job de fine-tuning Azure OpenAI dans W&B, de la préparation du job à l’évaluation du modèle obtenu.
Configuration du fine-tuning
La configuration du fine-tuning comprend les étapes suivantes :
- Préparer les données d’entraînement conformément aux exigences d’Azure OpenAI.
- Configurer le job de fine-tuning dans Azure OpenAI.
- Suivre le processus de fine-tuning et journaliser les métriques et les hyperparamètres avec W&B.
Suivi des expériences
Pendant le fine-tuning, W&B capture :
- Les métriques d’entraînement et de validation.
- Les hyperparamètres du modèle.
- L’utilisation des ressources.
- Les artifacts d’entraînement.
Évaluation du modèle
Après le fine-tuning, utilisez W&B Weave pour :
- Évaluer les sorties du modèle par rapport à des datasets de référence.
- Comparer les performances de différents runs de fine-tuning.
- Analyser le comportement du modèle sur des cas de test précis.
- Choisir le modèle le plus adapté en vous appuyant sur les données.
Exemple concret
Pour voir l’intégration mise en œuvre de bout en bout, consultez les ressources suivantes :
Ressources supplémentaires
Dernière modification le 30 septembre 2026
