Aperfeiçoar modelo

Aperfeiçoa um modelo com o conjunto de dados de treinamento especificado.

Opções 

• Nome da conta é uma expressão de texto para o nome da conta de IA a ser usada. No arquivo atual, use a etapa de script Etapa de script Configurar a conta de IA para configurar a conta e atribuir esse nome a ela antes que a etapa de script seja executada.

• Modelo base é uma expressão de texto para o modelo de geração de texto para ajustar. Para modelos compatíveis, consulte Especificações técnicas do FileMaker.

• Dados de treinamento especifica a fonte dos dados de treinamento para ajuste fino:

  • Tabela: usa dados da ocorrência de tabela especificada com base no conjunto encontrado atual de registros. Para treinamento, os dados de Campo de Conclusão são usados como resposta do assistente. Dados de todos os outros campos são usados como o prompt do usuário correspondente.

  • Arquivo: usa um arquivo JSONL que contém dados de treinamento. Cada linha deve ser um objeto JSON válido com um prompt do usuário e sua resposta de assistente correspondente.

• Destino da resposta especifica o campo ou variável em que o provedor do modelo retorna um objeto JSON com informações sobre o trabalho de ajuste fino iniciado por esta etapa de script.

• Parâmetros de aperfeiçoamento é uma expressão de texto para um objeto JSON que consiste em pares de valores de chave para opções de aperfeiçoamento que são permitidos pelo provedor do modelo.

Opções disponíveis somente quando Dados de treinamento é Tabela:

• O valor para Tabela especifica uma ocorrência de tabela a ser usada para dados de treinamento.

• Campo de conclusão especifica o campo em Tabela que contém respostas ou respostas esperadas do assistente para treinamento.

Opções disponíveis somente quando Dados de Treinamento é Arquivo:

• O valor para Arquivo especifica uma lista de um ou mais caminhos para o arquivo JSONL que contém dados de treinamento. Os caminhos devem usar um dos prefixos de caminho do arquivo. A etapa de script pesquisa a lista e adiciona o primeiro arquivo JSONL localizado com sucesso. Consulte Criação de caminhos de arquivo.

Originada na versão 

22.0

Descrição 

Essa etapa de script envia dados de treinamento para um provedor de modelo compatível para criar uma versão ajustada de um modelo de IA básico usando técnicas de adaptação de baixo nível (LoRA). O ajuste fino permite personalizar o comportamento de um modelo para tarefas, domínios ou estilos de resposta específicos, treinando-o em seus próprios dados, preservando os recursos gerais do modelo base. Por exemplo, você pode aperfeiçoar um modelo para responder melhor usando a terminologia, o estilo de escrita ou a experiência em domínio específicos da sua empresa. A LoRA é um método eficiente que adiciona pequenos parâmetros treináveis ao modelo sem modificar as ponderações originais. Essa abordagem requer significativamente menos recursos computacionais e memória em comparação com o ajuste fino do modelo completo para alcançar melhorias de desempenho comparáveis.

A conta de IA especificada por Nome da conta deve ser configurada para um dos seguintes provedores de modelo:

• OpenAI

• O Servidor do modelo de IA fornecido com o FileMaker Server em um Mac com Apple Silicon

Outros provedores de modelos e sistemas operacionais não são compatíveis com ajuste fino. Consulte as Especificações técnicas do FileMaker .

Dados de treinamento

Os dados de treinamento podem ser fornecidos a partir de uma tabela FileMaker ou de um arquivo JSON Lines (JSONL). Cada exemplo de treinamento consiste em um prompt do usuário e a resposta desejada do assistente. O modelo é então capaz de gerar respostas semelhantes aos exemplos de treinamento quando recebem instruções semelhantes.

{
  "messages" : 
  [
    {
      "content" : "<FieldName1>=<Data1>, <FieldName2>=<Data2>, ... ",
      "role" : "user"
    },
    {
      "content" : "<Completion_Field_Data>",
      "role" : "assistant"
    }
  ]
}

{
  "messages" : 
  [
    {
      "content" : "<User_Prompt>",
      "role" : "user"
    },
    {
      "content" : "<Assistant_Prompt>",
      "role" : "assistant"
    }
  ]
}

Destino da resposta

Para obter informações sobre o trabalho de ajuste fino iniciado por essa etapa de script, especifique uma variável ou campo para a opção Destino da resposta. O ajuste fino pode levar um tempo considerável, portanto, você precisará verificar quando o processo está completo e o modelo aperfeiçoado está pronto para uso com o provedor do modelo.

Por exemplo, o Servidor do modelo de IA envia uma resposta como a mostrada abaixo quando:

• O arquivo JSONL especificado por Arquivo é my-training-data.jsonl.

• Modelo base é google/codegemma-7b-it.

• O valor da chave fine_tuned_model_name especificada em Parâmetros de aperfeiçoamento é my-fine-tuned-model-name. O valor da chave fine_tuned_model em Destino da resposta é o nome completo atribuído pelo Servidor do modelo de IA.

{
  "result": {
    "object": "fine_tuning.job",
    "id": "fm-ftjob-1753297022103",
    "file_id": "fm-ft-train-1753297022070",
    "model": "google/codegemma-7b-it",
    "created_at": 1753297022103,
    "fine_tuned_model": "fm-mlx-my-fine-tuned-model-name",
    "status": "queued",
    "training_file": "my-training-data.jsonl",
    "tags": [
      "fine-tune"
    ]
  }
}

Para determinar quando o Servidor do modelo de IA concluiu o ajuste fino, faça login no console do FileMaker Server Admin. veja Notas.

Parâmetros de aperfeiçoamento

A opção Parâmetros de aperfeiçoamento pode ser usada para especificar parâmetros de ajuste fino que aceitos pelo provedor do modelo. Consulte a documentação do provedor do modelo para obter nomes de parâmetros suportados e seus intervalos válidos.

Para o Servidor do modelo de IA fornecido com o FileMaker Server, você pode usar as seguintes chaves e valores para ajustar o ajuste fino, se necessário. Se uma chave não for especificada ou a opção Parâmetros de aperfeiçoamento não for usada, a etapa de script usará os valores padrão.

Por exemplo, este objeto JSON define chaves na opção Parâmetros de aperfeiçoamento:

{
  "max_steps": 2000,
  "learning_rate": 1e-4,
  "batch_size": 2,
  "lora_layers": 6,
  "fine_tuned_model_name": "suporte-ao-cliente-v1"
}

Notas 

• O ajuste fino requer recursos computacionais significativos. Executar mais de um trabalho de ajuste fino por vez no Servidor do modelo de IA pode afetar negativamente o desempenho do sistema.

• Para monitorar o status de modelos ajustados no Servidor do modelo de IA (por exemplo, para saber quando o treinamento foi concluído), abra o console do FileMaker Server Admin. Nele, você também pode criar modelos aperfeiçoados diretamente fazendo o upload de um arquivo JSONL. Consulte Criação de modelos aperfeiçoados na Ajuda do FileMaker Server.

Exemplo 1- Ajuste fino básico usando dados de tabela

Ajuste um modelo da OpenAI com dados de uma tabela. O script configura uma conta de IA para OpenAI e vai para o layout Support_QA. A tabela Support_QA contém campos de pergunta e resposta, entre outros. O script executa uma pesquisa para obter o conjunto encontrado desejado e, em seguida, envia os dados desses registros para aperfeiçoar um modelo do GPT-4.1, especificando o campo de resposta para o Campo de conclusão (os dados de todos os outros campos são enviados como o prompt do usuário).

Configurar conta de IA [ Nome da Conta: "my-account" ; Provedor do modelo: OpenAI ; Chave de API: Global::OpenAI_API_Key ]

Ir para layout [ "Support_QA" (Support_QA) ]

Realizar busca [ Restore ]

Aperfeiçoar modelo [ Nome da Conta: "minha-conta" ; Modelo base: "gpt-4.1-2025-04-14" ; Dados de treinamento: Tabela ; "Support_QA" ; Campo de conclusão: Support_QA::Answer ; Destino da resposta: $$responseTarget ]

Quando o OpenAI notifica que o treinamento está concluído e fornece o nome do modelo aperfeiçoado, você pode usar o modelo em etapas de script como Gerar resposta do modelo:

Gerar resposta do modelo [ Nome da Conta: "my-account" ; Modelo: "ft:gpt-4o-mini-2024-07-18:my-org::LBNO71Qq" ; Prompt do usuário: $question ; Modo Agentic ; Resposta: $$response ]

Exemplo 2- Ajuste fino usando um arquivo JSONL

Ajuste um modelo no Servidor do modelo de IA enviando o arquivo JSONL criado em Exemplo 2 para a Etapa de script Salvar registros como JSONL. O script configura uma conta de IA e define a variável $trainingFile para o caminho do arquivo JSONL na pasta Documentos.

O script então define a variável $parameters para um objeto JSON que contém os pares chave-valor a serem usados para parâmetros de ajuste fino, incluindo a definição do nome raiz para fornecer o modelo aperfeiçoado.

Finalmente, o script envia o arquivo JSONL especificado por $trainingFile para o Servidor do modelo de IA, indicando o modelo base a ser ajustado, os parâmetros a serem usados e a variável $response para armazenar a resposta. Para ter o nome completo do modelo aperfeiçoado disponível para usar posteriormente, o script obtém o nome de $response e o armazena em um campo global.

Configurar conta de IA [ Nome da Conta: "AI_Model_Server" ; Provedor do modelo: Personalizado ; Ponto de extremidade: "https://meuservidor.exemplo.com/llm/v1/" ; Chave de API: Global::Fine_Tuning_API_Key ; Verificar certificados SSL ]

Definir variável [ $trainingFile ; Valor: Get(DocumentsPath) & "training_data.jsonl" ]

Definir variável [ $parameters ; Valor: 
  Let ( [
    json = "{}" ;
    json = JSONSetElement ( json; "max_steps"; 1500; JSONString ) ;
    json = JSONSetElement ( json; "learning_rate"; 1e-4; JSONString ) ;
    json = JSONSetElement ( json; "batch_size"; 2; JSONString ) ;
    json = JSONSetElement ( json; "fine_tuned_model_name"; "product-expert-v2" ; JSONString )
  ] ;
    json
  )
]

Aperfeiçoar modelo [ Nome da Conta: "AI_Model_Server" ; Modelo base: "google/codegemma-7b-it" ; Dados de treinamento: File ; "$trainingFile" ; Destino da resposta: $responseTarget ; Parâmetros de aperfeiçoamento: $parameters ]

Definir campo [ Global::Fine_Tuned_Model ; JSONGetElement ( $responseTarget ; "result.fine_tuned_model" ) ]

Tópicos relacionados 

• Etapa de script Salvar registros como JSONL

• Etapa de script Configurar a conta de IA

• Etapa de script Gerar resposta do modelo

• Etapa de script Definir registro de chamadas de IA

• Utilização das funções JSON

• Referência de etapas de script