Platform For AI：Hasilkan judul untuk teks berbahasa Mandarin

Prasyarat

Sebuah Bucket Object Storage Service (OSS) telah dibuat. Untuk informasi lebih lanjut, lihat Buat Bucket.

Pergi ke halaman detail model

1. Pergi ke halaman Model Gallery.

   1. Masuk ke Konsol PAI.

   2. Di panel navigasi sebelah kiri, klik Workspaces. Di halaman Workspaces, temukan workspace yang ingin dikelola dan klik nama workspace tersebut. Halaman Detail Workspace akan muncul.

   3. Di panel navigasi sebelah kiri pada halaman Detail Workspace, klik Model Gallery.

2. Di halaman Model Gallery, klik text-generation di bagian NLP. Dalam daftar model di sisi kanan, temukan dan klik model easynlp_pai_mt5_title_generation_zh untuk pergi ke halaman detail model.

   

Terapkan dan debug model secara langsung

Terapkan model sebagai layanan model

1. Di halaman detail model, klik Deploy di pojok kanan atas.

2. Di panel Deploy, verifikasi konfigurasi dan klik Deploy.

3. Di pesan Billing Notification, klik OK.

   Halaman detail layanan akan muncul. Di tab Detail Layanan, Anda dapat melihat status layanan di bagian Basic Information. Jika nilai parameter Status berubah menjadi In operation, layanan model telah berhasil diterapkan.

Debug model secara online

Debug model secara online di Konsol PAI

1. Di tab Service details, masukkan data permintaan di bidang Online Prediction. Contoh data permintaan:

   {
       "data": ["Di Rumah Sakit Rakyat Pertama Guangzhou, dalam satu pagi 6 pasien melakukan bronkoskopi, 5 orang didiagnosis dengan kanker paru-paru, dan 4 di antaranya adalah perokok berat! Para ahli menyatakan bahwa merokok dan paparan asap rokok adalah penyebab utama kanker paru-paru."]
   }

   

2. Klik Send Request.

   Anda dapat melihat respons di bagian bawah halaman.

Debug model secara online dengan menjalankan kode Python

1. Lihat informasi panggilan layanan.

   1. Di bagian Resource Information dari tab Service details, klik View Call Information.

      

   2. Di kotak dialog Call Information, lihat parameter Access address dan Token di tab Public network address call, dan catat nilai-nilai parameter tersebut.

2. Jalankan kode contoh berikut untuk mengirim permintaan guna memanggil layanan:

   import requests
   
   url = "<PredictionServiceEndpoint>"
   token = "<PredictionServiceAccessToken>"
   request_body = '{"data": ["Di Rumah Sakit Rakyat Pertama Guangzhou, dalam satu pagi 6 pasien melakukan bronkoskopi, 5 orang didiagnosis dengan kanker paru-paru, dan 4 di antaranya adalah perokok berat! Para ahli menyatakan bahwa merokok dan paparan asap rokok adalah penyebab utama kanker paru-paru."]}'
   request_body = request_body.encode('utf-8')
   headers = {"Authorization": token}
   resp = requests.post(url=url, headers=headers, data=request_body)
   
   print(resp.content.decode())
   print("status code:", resp.status_code)
   

   Ganti url dan token di kode sebelumnya dengan nilai parameter Access address dan Token yang diperoleh di langkah sebelumnya.

   Gambar berikut menunjukkan hasil yang dikembalikan.

   

Penyempurnaan model

1. Opsional. Siapkan dataset.

   Catatan

   Untuk menggunakan data Anda sendiri dalam penyempurnaan model, lakukan langkah-langkah berikut untuk menyiapkan set data pelatihan.

   1. Model Gallery menyediakan dataset default untuk penyempurnaan model. Anda dapat menggunakan dataset default atau menyiapkan dataset Anda sendiri. Siapkan set data pelatihan dalam format berikut:

      {"text": "<text>", "summary": "ringkasan"}
      {"text": "<text>", "summary": "ringkasan"}
      {"text": "<text>", "summary": "ringkasan"}
      ......
      {"text": "<text>", "summary": "ringkasan"}
      

   2. Unggah dataset yang telah disiapkan ke Bucket OSS. Untuk informasi lebih lanjut, lihat Unggah Objek.

2. Kirim pekerjaan pelatihan.

   1. Kembali ke halaman detail model. Untuk informasi lebih lanjut, lihat bagian Pergi ke Halaman Detail Model dari topik ini.

   2. Klik Fine-tune di pojok kanan atas. Di panel Fine-tune, atur parameter Output Path di bagian Job Configuration ke jalur Bucket OSS dan klik Fine-tune. Dalam contoh ini, dataset default digunakan untuk penyempurnaan model.

      Catatan

      Jika Anda menyiapkan set data pelatihan, tentukan set data pelatihan di panel Fine-tune dan klik Fine-tune. Untuk informasi lebih lanjut, lihat bagian Terapkan dan Latih Model dari topik "Terapkan dan Latih Model".

      Halaman detail pekerjaan akan muncul. Anda dapat mengklik tab Task log untuk melihat proses pelatihan.

Terapkan dan debug model yang telah disempurnakan

1. Model yang telah dilatih secara otomatis terdaftar di AI Asset Management > Models. Anda dapat melihat atau menerapkan model tersebut. Untuk informasi lebih lanjut, lihat Daftarkan dan Kelola Model.

2. Debug model secara online. Untuk informasi lebih lanjut, lihat bagian Debug Model Secara Online dari topik ini.