Platform For AI:中国語テキストのタイトル生成

前提条件

OSS バケットを作成します。詳細については、「コンソールでのバケット作成」をご参照ください。

1. モデル詳細ページへ移動

1. モデルギャラリーのページへ移動します。

   1. PAI コンソール にログインします。

   2. 左側ナビゲーションウィンドウで ワークスペース をクリックします。ワークスペース一覧ページで、管理対象のワークスペースを見つけ、その名前をクリックします。ワークスペース詳細ページが表示されます。

   3. ワークスペース詳細ページの左側ナビゲーションウィンドウで モデルギャラリー をクリックします。

2. モデルギャラリーのホームページで、EasyNLP_pai_mt5_title_generation_zh を検索し、該当するモデルカードをクリックしてモデル詳細ページへ移動します。

2. モデルのデプロイとテスト

モデル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. モデルデプロイ詳細ページでデプロイ情報を確認し、デプロイ をクリックします。

3. 課金に関するお知らせ ダイアログボックスで、OK をクリックします。

   ページが自動的に サービス詳細 ページへ遷移します。基本情報 セクションでサービスのステータスを確認できます。ステータス が 実行中 に変更された時点で、サービスのデプロイが完了します。

モデルのオンラインテスト

コンソールを用いたオンラインデバッグの実行

1. サービス詳細 ページの 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。以下は例です。

   {
       "data": ["広州市第一人民医院で、ある朝に6人の患者が気管支鏡検査を受けました。うち5人は肺がんと診断され、4人は長期間喫煙者でした。専門家によると、喫煙および受動喫煙が肺がんの主な原因であるとのことです。"]
   }

   

2. リクエスト送信 をクリックします。

   出力結果がページ下部に表示されます。

Python コードを用いたオンラインテスト

1. サービス呼び出しに関する情報を確認できます。

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

      

   2. エンドポイント情報の表示 ダイアログボックスの 共有ゲートウェイ - インターネットエンドポイント タブで、エンドポイント および トークン をコピーします。

2. 以下のサンプルコードを使用して、サービスへのリクエストを送信します。

   import requests
   
   url = "<PredictionServiceEndpoint>"
   token = "<PredictionServiceAccessToken>"
   request_body = '{"data": ["広州市第一人民医院で、ある朝に6人の患者が気管支鏡検査を受けました。うち5人は肺がんと診断され、4人は長期間喫煙者でした。専門家によると、喫煙および受動喫煙が肺がんの主な原因であるとのことです。"]}'
   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("状態コード:", resp.status_code)
   

   url および token には、上記の手順でコピーした エンドポイント および トークン を設定してください。

   システムから以下の結果が返されます。

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

   ご自身のデータを用いてモデルをファインチューニングする場合は、以下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. モデルギャラリーではトレーニングデータセットを提供しています。デフォルトのデータセットを利用するか、ご自身でデータを準備できます。データ形式は以下のとおりです：

      {"text": "<テキスト>", "summary": "まとめ"}
      {"text": "<テキスト>", "summary": "まとめ"}
      {"text": "<テキスト>", "summary": "まとめ"}
      ......
      {"text": "<テキスト>", "summary": "まとめ"}
      

   2. 準備したデータを OSS バケットにアップロードします。詳細については、「コンソールでのファイルアップロード」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、「1. モデル詳細ページへ移動」をご参照ください。

   2. モデルトレーニング セクション内の トレーニング設定項目 で、出力パス を OSS バケットのパスに設定し、トレーニング をクリックします。本例では、デフォルトのデータセットを用いてモデルのファインチューニングを行います。

      説明

      独自の訓練データセットを準備済みの場合、[モデルのトレーニング] エリアで、モデルのトレーニング の手順に従ってデータセットを更新し、その後 [トレーニング] をクリックします。

      ページが自動的に タスク詳細 ページへ遷移します。タスクログ をクリックすると、トレーニングの進行状況を確認できます。

4. ファインチューニング済みモデルのデプロイとテスト

1. トレーニング済みのモデルは、AI アセット - モデル管理に自動登録されます。そこからモデルの確認やデプロイが可能です。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. モデルのオンラインテストを行います。詳細については、「モデルのオンラインテスト」をご参照ください。