Platform For AI:Buat Judul Bahasa Tiongkok

Prasyarat

Diperlukan sebuah bucket OSS. Untuk informasi selengkapnya, lihat Buat bucket.

Langkah 1: Buka halaman detail model

1. Buka halaman Model Gallery.

   1. Masuk ke Konsol PAI.

   2. Di pojok kiri atas bilah navigasi atas, pilih wilayah.

   3. Di panel navigasi kiri, klik Workspaces, lalu klik nama ruang kerja yang ingin Anda buka.

   4. Di panel navigasi kiri, pilih Quick Start > Model Gallery.

2. Di halaman Model Gallery, cari EasyNLP_pai_mt5_title_generation_zh dan klik kartu model tersebut untuk membuka halaman detailnya.

Langkah 2: Terapkan dan debug model

Terapkan layanan

1. Di halaman detail model, klik Deploy.

2. Di halaman penerapan model, konfirmasi detailnya lalu klik Deploy.

3. Pada kotak dialog Billing Notification, klik OK.

   Halaman akan secara otomatis dialihkan ke halaman Service details. Anda dapat melihat status layanan di bagian Basic Information. Saat Status berubah menjadi Running, layanan telah diterapkan.

Debug model secara online

Debug di konsol

1. Di halaman Service details, masukkan data permintaan di kotak teks Online Prediction. Contohnya ditunjukkan di bawah ini:

   {
       "data": ["At Guangzhou First People's Hospital, six patients underwent bronchoscopy in one morning. Five were diagnosed with lung cancer, and four of them were long-term smokers. Experts state that smoking and secondhand smoke are the primary causes of lung cancer."]
   }

2. Klik Send Request.

   Tanggapan akan muncul di bagian bawah halaman. Halaman juga menampilkan detail permintaan HTTP, termasuk URL permintaan (alamat layanan yang diawali dengan quickstart-20240109-gskx), header Authorization, dan badan permintaan dalam format JSON. Gunakan informasi ini untuk memanggil layanan melalui API di luar konsol.

Debug menggunakan kode Python

1. Lihat informasi pemanggilan layanan.

   1. Di halaman Service details, buka bagian Resource Information dan klik View Call Information.

   2. Di kotak dialog Call Information, pada tab Public network address call, lihat dan salin Endpoint dan Token.

2. Gunakan kode contoh berikut untuk mengirim permintaan layanan.

   import requests
   url = "<PredictionServiceEndpoint>"
   token = "<PredictionServiceAccessToken>"
   request_body = '{"data": ["At Guangzhou First People\'s Hospital, six patients underwent bronchoscopy in one morning. Five were diagnosed with lung cancer, and four of them were long-term smokers. Experts state that smoking and secondhand smoke are the primary causes of lung cancer."]}'
   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)
   

   Atur nilai url dan token masing-masing ke Endpoint dan Token yang telah Anda salin pada langkah sebelumnya.

   Hasil berikut dikembalikan:

   {"data":["Six patients diagnosed with lung cancer at Guangzhou First People's Hospital"],"is_generating":false,"duration":0.1982583999633789,"average_duration":1.1621181964874268}
   status code: 200

Langkah 3: Fine-tune model

1. (Opsional) Siapkan set data.

   Catatan

   Jika Anda ingin menggunakan data sendiri untuk fine-tune model, ikuti langkah-langkah berikut untuk menyiapkan set data pelatihan.

   1. Model Gallery menyediakan set data pelatihan default. Anda dapat menggunakan set data default tersebut atau menyiapkan set data sendiri. Data pelatihan harus dalam format berikut:

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

   2. Unggah data yang telah disiapkan ke bucket OSS Anda. Untuk informasi selengkapnya, lihat Unggah objek.

2. Kirim pekerjaan pelatihan.

   1. Kembali ke halaman detail model. Untuk informasi selengkapnya, lihat Langkah 1: Buka halaman detail model.

   2. Di bagian Model Training, atur Job Configuration > Output Path ke path bucket OSS Anda, lalu klik Fine-tune. Contoh ini menggunakan set data default untuk fine-tune model.

      Catatan

      Jika Anda telah menyiapkan set data pelatihan, ikuti langkah-langkah dalam Penerapan dan pelatihan model untuk memperbarui set data di bagian Model Training, lalu klik Fine-tune.

      Anda akan secara otomatis dialihkan ke halaman Task details. Status tugas ditampilkan di bagian atas halaman, berubah secara berurutan: Creating → Initializing → Submitted → Running. Anda dapat mengklik tab Task log untuk melihat log proses pelatihan, yang mencakup informasi seperti konfigurasi variabel lingkungan.

Langkah 4: Terapkan dan debug model yang telah disesuaikan

1. Model yang telah dilatih akan secara otomatis terdaftar di AI Assets - Model Management. Anda dapat melihat atau menerapkan model hasil fine-tune tersebut. Untuk informasi selengkapnya, lihat Daftarkan dan kelola model.

2. Untuk melakukan debug model secara online, lihat Debug model secara online.