Introducing improvements to the fine-tuning API and expanding our custom models program

၂၀၂၆ ခုနှစ် မေလ ၈ ရက်နေ့ အပ်ဒိတ်- OpenAI သည် fine-tuning platform ကို တဖြည်းဖြည်း ရပ်ဆိုင်းနေပါသည်။ ဤ platform ကို အသုံးပြုသူအသစ်များ ဝင်ရောက်အသုံးပြုနိုင်တော့မည် မဟုတ်သော်လည်း fine-tuning platform ၏ လက်ရှိ အသုံးပြုသူများသည် လာမည့်လများအတွင်း လေ့ကျင့်ရေးအလုပ်များကို ဖန်တီးနိုင်ပါမည်။ fine-tuned မော်ဒယ်များအားလုံးသည် ၎င်းတို့၏ အခြေခံ မော်ဒယ်များကို သုံးစွဲရန်မသင့်တော့⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) အဖြစ် သတ်မှတ်သည်အထိ အင်တာဖေ့စ် အတွက် ဆက်လက်အသုံးပြုနိုင်ပါမည်။ အချိန်ဇယားအပြည့်အစုံကို ဤနေရာတွင်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ကြည့်နိုင်ပါသည်။

တုံ့ပြန်ချိန်နှောင့်နှေးမှုကို လျှော့ချရန်၊ တိကျမှုကို မြှင့်တင်ရန်နှင့် ကုန်ကျစရိတ်များကို လျှော့ချရန်အတွက် မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ဖို့ ဆော့ဖ်ဝဲရေးသားသူများ အသုံးပြုနိုင်သော နည်းလမ်းအမျိုးမျိုး⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ရှိပါသည်။ retrieval-augmented generation (RAG) ဖြင့် မော်ဒယ်၏ အသိပညာကို တိုးချဲ့ခြင်းဖြစ်စေ၊ fine-tuning ဖြင့် မော်ဒယ်၏ အပြုအမူကို စိတ်ကြိုက်ပြင်ဆင်ခြင်းဖြစ်စေ၊ နယ်ပယ်အလိုက် အထူးပြု အသိပညာအသစ်များဖြင့် စိတ်ကြိုက်လေ့ကျင့်ထားသော မော်ဒယ်တစ်ခုကို တည်ဆောက်ခြင်းဖြစ်စေ၊ ကျွန်ုပ်တို့၏ ဖောက်သည်များ၏ AI အကောင်အထည်ဖော်မှုများကို ပံ့ပိုးရန် ရွေးချယ်စရာများစွာကို ကျွန်ုပ်တို့ဖော်ဆောင်ထားပါသည်။ ယနေ့တွင် ကျွန်ုပ်တို့သည် ဆော့ဖ်ဝဲရေးသားသူများအား API ဖြင့် fine-tuning ပြုလုပ်ရာတွင် ပိုမိုထိန်းချုပ်နိုင်စေရန် အင်္ဂါရပ်အသစ်များကို မိတ်ဆက်ပေးနေပြီး စိတ်ကြိုက် မော်ဒယ်များ တည်ဆောက်ရန် ကျွန်ုပ်တို့၏ AI ကျွမ်းကျင်ပညာရှင်များနှင့် သုတေသနပညာရှင်များပါဝင်သော အဖွဲ့နှင့် ပူးပေါင်းလုပ်ဆောင်နိုင်မည့် နည်းလမ်းများကိုလည်း ပိုမိုမိတ်ဆက်ပေးနေပါသည်။

We launched the self-serve fine-tuning API⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) for GPT‑3.5 in August 2023. Since then, thousands of organizations have trained hundreds of thousands of models using our API. Fine-tuning can help models deeply understand content and augment a model’s existing knowledge and capabilities for a specific task. Our fine-tuning API also supports a larger volume of examples than can fit in a single prompt to achieve higher quality results while reducing cost and latency. Some of the common use cases of fine-tuning include training a model to generate better code in a particular programming language, to summarize text in a specific format, or to craft personalized content based on user behavior.

For example, Indeed⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်), a global job matching and hiring platform, wants to simplify the hiring process. As part of this, Indeed launched a feature that sends personalized recommendations to job seekers, highlighting relevant jobs based on their skills, experience, and preferences. They fine-tuned GPT‑3.5 Turbo to generate higher quality and more accurate explanations. As a result, Indeed was able to improve cost and latency by reducing the number of tokens in prompt by 80%. This let them scale from less than one million messages to job seekers per month to roughly 20 million.

Today, we’re introducing new features⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) to give developers even more control over their fine-tuning jobs, including:

• Epoch-based Checkpoint Creation: Automatically produce one full fine-tuned model checkpoint during each training epoch, which reduces the need for subsequent retraining, especially in the cases of overfitting
• Comparative Playground: A new side-by-side Playground UI for comparing model quality and performance, allowing human evaluation of the outputs of multiple models or fine-tune snapshots against a single prompt
• Third-party Integration: Support for integrations with third-party platforms (starting with Weights and Biases⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) this week) to let developers share detailed fine-tuning data to the rest of their stack
• Comprehensive Validation Metrics: The ability to compute metrics like loss and accuracy over the entire validation dataset instead of a sampled batch, providing better insight on model quality
• Hyperparameter Configuration: The ability to configure available hyperparameters from the Dashboard⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) (rather than only through the API or SDK)
• Fine-Tuning Dashboard Improvements: Including the ability to configure hyperparameters, view more detailed training metrics, and rerun jobs from previous configurations

ပြီးခဲ့သော နိုဝင်ဘာလ DevDay တွင် ကျွန်ုပ်တို့သည် သီးသန့် OpenAI သုတေသီအဖွဲ့တစ်ဖွဲ့နှင့် ပူးပေါင်းကာ နယ်ပယ်သီးသန့်အတွက် မော်ဒယ်များကို လေ့ကျင့်ပြီး အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ရန် ရည်ရွယ်ထားသော Custom Model program ကို ကြေညာခဲ့သည်⁠။ ထိုအချိန်မှစပြီး ဖောက်သည်များ ဒါဇင်ပေါင်းများစွာနှင့် တွေ့ဆုံကာ ၎င်းတို့၏ စိတ်ကြိုက်မော်ဒယ် လိုအပ်ချက်များကို အကဲဖြတ်ခဲ့ပြီး စွမ်းဆောင်ရည်ကို ပိုမိုမြင့်မားစေရန် ကျွန်ုပ်တို့၏ ပရိုဂရမ်ကို တိုးတက်ပြောင်းလဲအောင် လုပ်ဆောင်ခဲ့ပါသည်။

ယနေ့တွင် ကျွန်ုပ်တို့၏ assisted fine-tuning offering ကို Custom Model program ၏ အစိတ်အပိုင်းတစ်ရပ်အဖြစ် တရားဝင် ကြေညာလိုက်ပါသည်။ Assisted fine-tuning သည် ကျွန်ုပ်တို့၏ နည်းပညာအဖွဲ့များနှင့် ပူးပေါင်းဆောင်ရွက်သည့် လုပ်ငန်းစဉ်တစ်ရပ်ဖြစ်ပြီး fine-tuning API အပြင် အခြားသော နည်းလမ်းများ—ဥပမာ အပို hyperparameters များနှင့် ပိုမိုကြီးမားသော scale တွင် parameter efficient fine-tuning (PEFT) နည်းများ—ကို အသုံးချပါသည်။ ၎င်းသည် ထိရောက်သော training data pipeline များ၊ evaluation system များနှင့် ၎င်းတို့၏ အသုံးပြုမှုကိစ္စ သို့မဟုတ် တာဝန်အတွက် မော်ဒယ်စွမ်းဆောင်ရည် အမြင့်ဆုံးရရှိစေရန် bespoke parameters နှင့် methods များကို တည်ဆောက်ရာတွင် အကူအညီလိုအပ်သော အဖွဲ့အစည်းများအတွက် အထူးအသုံးဝင်ပါသည်။

ဥပမာအားဖြင့် တောင်ကိုရီးယားတွင် စာရင်းသွင်းသူ 30 million ကျော်ကို ဝန်ဆောင်မှုပေးနေသော ဆက်သွယ်ရေး အော်ပရေတာ SK Telecom⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် အစပိုင်းတွင် ဖောက်သည်ဝန်ဆောင်မှုကို အာရုံစိုက်ကာ ဆက်သွယ်ရေးနယ်ပယ်တွင် ကျွမ်းကျင်သူတစ်ဦးကဲ့သို့ ဖြစ်စေရန် မော်ဒယ်တစ်ခုကို စိတ်ကြိုက်ပြင်ဆင်လိုခဲ့သည်။ ၎င်းတို့သည် ကိုရီးယားဘာသာဖြင့် ဆက်သွယ်ရေးဆိုင်ရာ စကားဝိုင်းများတွင် GPT‑4 ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် OpenAI နှင့် လက်တွဲပြီး GPT‑4 ကို fine-tune ပြုလုပ်ခဲ့သည်။ ရက်သတ္တပတ်များစွာအတွင်း SKT နှင့် OpenAI တို့သည် ဆက်သွယ်ရေး ဖောက်သည်ဝန်ဆောင်မှု တာဝန်များတွင် အဓိပ္ပာယ်ရှိသော စွမ်းဆောင်ရည်တိုးတက်မှုများ ရရှိခဲ့သည်—စကားဝိုင်းအကျဉ်းချုပ် အရည်အသွေး 35% တိုးတက်လာခြင်း၊ intent recognition တိကျမှု 33% တိုးတက်လာခြင်းနှင့် fine-tuned model ကို GPT‑4 နှင့် နှိုင်းယှဉ်ရာတွင် စိတ်ကျေနပ်မှုရမှတ် 3.6 မှ 4.5 (5 မှာ) အထိ တိုးလာခြင်းတို့ ဖြစ်သည်။

In some cases, organizations need to train a purpose-built model from scratch that understands their business, industry, or domain. Fully custom-trained models imbue new knowledge from a specific domain by modifying key steps of the model training process using novel mid-training and post-training techniques. Organizations that see success with a fully custom-trained model often have large quantities of proprietary data—millions of examples or billions of tokens—that they want to use to teach the model new knowledge or complex, unique behaviors for highly specific use cases.

For example, Harvey⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်), an AI-native legal tool for attorneys, partnered with OpenAI to create a custom-trained large language model for case law⁠. While foundation models were strong at reasoning, they lacked the extensive knowledge of legal case history and other knowledge required for legal work. After testing out prompt engineering, RAG, and fine-tuning, Harvey worked with our team to add the depth of context needed to the model—the equivalent of 10 billion tokens worth of data. Our team modified every step of the model training process, from domain-specific mid-training to customizing post-training processes and incorporating expert attorney feedback. The resulting model achieved an 83% increase in factual responses and attorneys preferred the customized model’s outputs 97% of the time over GPT‑4.

အနာဂတ်တွင် အဖွဲ့အစည်းအများစုသည် ၎င်းတို့၏ လုပ်ငန်းကဏ္ဍ၊ စီးပွားရေး သို့မဟုတ် အသုံးပြုမှုကိစ္စနှင့် ကိုက်ညီအောင် ကိုယ်ပိုင်ပြုလုပ်ထားသော မော်ဒယ်များကို ဖွံ့ဖြိုးတိုးတက်စေမည်ဟု ကျွန်ုပ်တို့ ယုံကြည်ပါသည်။ စိတ်ကြိုက်မော်ဒယ် တည်ဆောက်ရန် ရနိုင်သော နည်းလမ်းမျိုးစုံကြောင့် အရွယ်အစားမျိုးစုံရှိသော အဖွဲ့အစည်းများသည် ၎င်းတို့၏ AI အကောင်အထည်ဖော်မှုများမှ ပိုမိုအဓိပ္ပာယ်ရှိပြီး သီးသန့်ကျသော သက်ရောက်မှုကို ရရှိစေရန် ကိုယ်ပိုင်မော်ဒယ်များကို ဖန်တီးနိုင်ပါသည်။ အဓိကအချက်မှာ အသုံးပြုမှုကိစ္စကို ရှင်းလင်းစွာ သတ်မှတ်ရန်၊ evaluation system များကို ဒီဇိုင်းဆွဲပြီး အကောင်အထည်ဖော်ရန်၊ မှန်ကန်သော နည်းလမ်းများကို ရွေးချယ်ရန်နှင့် မော်ဒယ်သည် အကောင်းဆုံး စွမ်းဆောင်ရည်ရောက်ရှိစေရန် အချိန်နှင့်အမျှ ထပ်ခါတလဲလဲ ပြုပြင်နိုင်ရန် အဆင်သင့်ဖြစ်ထားရန် ဖြစ်ပါသည်။

OpenAI နှင့်အတူ အဖွဲ့အစည်းအများစုသည် self-serve fine-tuning API ဖြင့် လျင်မြန်စွာ အဓိပ္ပာယ်ရှိသော ရလဒ်များကို မြင်တွေ့နိုင်ပါသည်။ ၎င်းတို့၏ မော်ဒယ်များကို ပိုမိုနက်ရှိုင်းစွာ fine-tune ပြုလုပ်ရန် သို့မဟုတ် မော်ဒယ်ထဲသို့ နယ်ပယ်သီးသန့် ဗဟုသုတအသစ်များ ထည့်သွင်းလိုသော အဖွဲ့အစည်းများအတွက် ကျွန်ုပ်တို့၏ Custom Model programs များက ကူညီပေးနိုင်ပါသည်။

ကျွန်ုပ်တို့၏ မော်ဒယ်များကို fine-tuning စတင်ရန် fine-tuning API⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) docs ကို ဝင်ရောက်ကြည့်ရှုပါ။