Skip to main content
이 가이드에서는 W&B를 Azure OpenAI와 함께 사용하여 GPT-3.5 또는 GPT-4 모델의 파인튜닝 작업을 추적하고 평가하는 방법을 설명합니다. W&B를 통합하면 실험 추적을 통해 메트릭, 하이퍼파라미터, 트레이닝 아티팩트를 기록할 수 있으므로 모델 성능을 분석하고 개선할 수 있습니다. 또한 W&B의 평가 도구를 사용해 모델 선택에 대해 데이터 기반 의사결정을 내릴 수 있습니다. 이 가이드는 Azure OpenAI 모델을 파인튜닝하면서 Runs를 체계적으로 추적하고 비교하려는 머신 러닝 실무자를 위한 것입니다.
Azure OpenAI 파인튜닝 메트릭

사전 요구 사항

시작하기 전에 다음을 완료하세요:
  • 공식 Azure 문서에 따라 Azure OpenAI 서비스를 설정합니다.
  • API 키를 사용하도록 W&B 계정을 설정합니다.

워크플로 개요

다음 단계에서는 일반적인 Azure OpenAI 파인튜닝 작업이 작업 준비부터 결과 모델 평가까지 W&B에서 어떻게 진행되는지 요약해 설명합니다.

파인튜닝 설정

파인튜닝 설정은 다음 step으로 구성됩니다:
  • Azure OpenAI 요구 사항에 따라 트레이닝 데이터를 준비합니다.
  • Azure OpenAI에서 파인튜닝 작업을 설정합니다.
  • W&B를 사용해 파인튜닝 과정을 추적하고 메트릭과 하이퍼파라미터를 로깅합니다.

실험 추적

파인튜닝 중 W&B는 다음을 기록합니다:
  • 트레이닝 및 검증 메트릭.
  • 모델 하이퍼파라미터.
  • 리소스 사용량.
  • 트레이닝 아티팩트.

모델 평가

파인튜닝 후 W&B Weave를 사용해 다음을 수행합니다:
  • 모델 출력을 레퍼런스 데이터셋과 비교하여 평가합니다.
  • 서로 다른 파인튜닝 run 간의 성능 비교합니다.
  • 특정 테스트 사례에서 모델의 동작 분석합니다.
  • 데이터에 기반해 모델 선택 결정합니다.

실제 사용 사례

인테그레이션이 엔드투엔드로 적용되는 방식을 확인하려면 다음 리소스를 살펴보세요:

추가 리소스