Platform For AI:中国語のタイトルの生成

前提条件

OSS バケットが必要です。詳細については、「バケットの作成」をご参照ください。

手順1：モデル詳細ページへの移動

1. モデルギャラリーページに移動します。

   1. PAI コンソールにログオンします。

   2. 上部メニューの左上隅でリージョンを選択します。

   3. 左側メニューで ワークスペースリスト をクリックし、開きたいワークスペースの名前をクリックします。

   4. 左側メニューで、クイックスタート > [Model Gallery] を選択します。

2. モデルギャラリーページで、EasyNLP_pai_mt5_title_generation_zh を検索し、モデルカードをクリックして詳細ページを開きます。

手順2：モデルのデプロイとデバッグ

サービスのデプロイ

1. モデル詳細ページで、モデルデプロイ をクリックします。

2. モデルデプロイページで、詳細を確認し、デプロイメント をクリックします。

3. 課金通知 ダイアログボックスで、OK をクリックします。

   ページは自動的に サービスの詳細 ページにリダイレクトされます。基本情報 セクションでサービスステータスを確認できます。ステータス が 実行中 に変わると、サービスがデプロイされます。

モデルのオンラインデバッグ

コンソールでのデバッグ

1. サービスの詳細 ページで、オンライン予測 テキストボックスにリクエストデータを入力します。以下に例を示します：

   {
       "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. リクエストの送信 をクリックします。

   レスポンスがページの下部に表示されます。ページには、リクエスト URL (quickstart-20240109-gskx で始まるサービスアドレス)、Authorization ヘッダー、JSON 形式のリクエストボディなど、HTTP リクエストの詳細も表示されます。この情報を使用して、コンソールの外部から API でサービスを呼び出すことができます。

Python コードを使用したデバッグ

1. サービスの呼び出し情報を表示します。

   1. サービスの詳細 ページの リソース情報 セクションに移動し、エンドポイント情報の表示 をクリックします。

   2. 呼び出し情報 ダイアログボックスの Shared Gateway - インターネットエンドポイント タブで、エンドポイント と [Token] を表示してコピーします。

2. 次のサンプルコードを使用して、サービスリクエストを送信します。

   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)
   

   url と token には、前の手順でコピーした エンドポイント と [Token] をそれぞれ設定します。

   次の結果が返されます：

   {"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

手順3：モデルのファインチューニング

1. (任意) データセットを準備します。

   説明

   独自のデータを使用してモデルをファインチューニングする場合は、次の手順に従ってトレーニングデータセットを準備してください。

   1. モデルギャラリーは、デフォルトのトレーニングデータセットを提供します。デフォルトのデータセットを使用することも、独自のデータセットを準備することもできます。トレーニングデータは、次の形式にする必要があります：

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

   2. 準備したデータを OSS バケットにアップロードしてください。詳細については、「オブジェクトのアップロード」をご参照ください。

2. トレーニングジョブを送信します。

   1. モデル詳細ページに戻ります。詳細については、「手順1：モデル詳細ページへの移動」をご参照ください。

   2. モデルトレーニング セクションで、トレーニング設定 > 出力パス をご使用の OSS バケットパスに設定し、トレーニング をクリックします。この例では、デフォルトのデータセットを使用してモデルをファインチューニングします。

      説明

      トレーニングデータセットを準備した場合は、モデルのデプロイとトレーニングの手順に従って モデルトレーニング セクションでデータセットを更新し、トレーニング をクリックしてください。

      自動的に タスク詳細 ページにリダイレクトされます。タスクのステータスはページの上部に表示され、Creating → Initializing → Submitted → Running の順に変わります。タスクログ タブをクリックすると、環境変数の設定などの情報を含むトレーニングジョブの実行ログを表示できます。

手順4：ファインチューニング済みモデルのデプロイとデバッグ

1. ファインチューニング済みのモデルは AI Assets - Model Management に自動的に登録され、表示またはデプロイできます。詳細については、「モデルの登録と管理」をご参照ください。

2. モデルをオンラインでデバッグするには、「モデルのオンラインデバッグ」をご参照ください。