ステップバイステップ: Databricksでの AI と機械学習
この記事では、Databricks で AI と LLM のソリューションをネイティブに構築する方法を学習するのに役立つ記事を紹介します。 トピックには、データの準備とモデルの構築からデプロイ、モニタリング、MLOps まで、エンドツーエンドの AI ライフサイクルの主要なステップが含まれます。
モデル トレーニング用のデータを準備する
ファインチューニング LLM のデータ準備など、AI ワークロード用のデータを読み込んで処理する方法を学びます。 モデル トレーニング用にデータを準備する方法
特徴量エンジニアリング
Unity Catalog で利用できる特徴エンジニアリングを使用して、特徴量テーブルの作成方法、特徴のリネージの追跡方法、他のユーザーが既に構築した機能の検出方法を学びます。
トレーニングする and 登録する models
AutoML を使用して機械学習モデルの効率的なトレーニングとチューニングを行う方法と、MLflow を使用してエクスペリメント追跡を行う方法について説明します。
デプロイされたモデルの監視
本番運用でAIモデルを監視する方法を学びます。 推論テーブルを使用して、モデルサービングエンドポイントの入力と予測を継続的にキャプチャしてデルタ テーブルに記録し、モデルのパフォーマンス メトリクスを常に把握できるようにします。 レイクハウスモニタリング 、目的のベンチマークを満たしているかどうかもわかります。
エンドツーエンドの MLOps
Databricks を使用して DataOps、ModelOps、DevOps を組み合わせ、AI アプリケーションのエンドツーエンドの機械学習と LLM 運用を実現する方法をご覧ください。
LLMを利用したRAGソリューションの構築
データを活用して LLM を利用したアプリケーションを作成する方法を学びます。 RAG(検索拡張世代)とLLMを使用して、より正確な回答を提供するQ&Aチャットボットを構築します。
関連リソース
上記の手順がニーズに合わない場合は、 Machine Learning のドキュメントに豊富な情報があります。