开放能力
开发平台
行业应用
生态合作
开发与教学
资讯 社区 控制台
技术能力
语音技术
文字识别
人脸与人体
图像技术
语言与知识
视频技术
AR与VR
数据智能
场景方案
部署方案
行业应用
智能教育
智能医疗
智能零售
智能工业
企业服务
智能政务
信息服务
智能园区

效果优化

通过模型迭代、检查并优化训练数据、选择高精度模型等方法,能够提升模型效果。

模型迭代

一个模型很难一次性就训练到最佳的效果,通常会需要结合模型评估报告和校验结果不断扩充数据和调优。

为此平台提供了模型迭代功能,即当模型训练完毕后,会生成一个最新的版本号,首次V1、之后V2……以此类推。可以通过调整训练数据和算法,多次训练,以获得适合业务需求的模型效果。

如果模型已经是上线状态,依然支持模型迭代,只是需要在训练完毕后更新线上服务接口,在接口地址不变的情况下可以持续优化效果。

检查并优化训练数据

  • 检查是否存在训练数据过少的情况,建议文本数量不少于1000个,如果低于这个量级建议扩充
  • 通过模型效果评估报告中的详细评估指标,有针对性地扩充训练数据。例如下图评估报告中显示“0”(不相似)的精确值较低,可考虑从两方面进行优化,一是适当增加“0”不相似数据集样本量,而是检查当前数据集中“0”不相似数据集质量,是否有定义模糊的情况等,以此达到模型优化的效果。

image.png

  • 检查测试模型的数据与训练数据的文本类型与风格是否一致,如果不一致,那么很可能会存在模型效果不错但实际测试效果较差的情况。针对这种情况建议重新调整训练集,将训练数据与实际业务场景数据尽可能一致

选择高精度模型

在训练模型时,选择高精度的模型,将提升模型的预测准确率。

「高精度」算法内置文心大模型,将大数据预训练与多源丰富知识相结合,通过持续学习技术,不断吸收海量文本数据中词汇、结构、语义等方面的新知识,实现模型效果不断进化。

上一篇
发起训练
下一篇
评估效果