例如，通过海量医疗数据来进行微调，构建专心医疗范畴的ChatGPT帮手，可问询与医疗相关的病

  现在，全球各行业积累了几年乃至几十年的巨量优质数据，怎么高效运用、查询这一些数据成为一大难题。

  通过自有数据微调打造的AI帮手可有用处理这一痛点，一起提高内容的准确性、安全性，是安排完结降本增效的利器。

  大模型数据微调（Fine-tuning）是一种搬迁学习方法，用于深度学习和机器学习。一般数据微调是根据一个预练习好的模型（例如，GPT-3.5-Turbo）作为柱石，然后在特定的使命数据集（例如，法令、医疗、营销）上进行额定的练习，使模型能生成特定事务范畴的内容。

  例如，你想练习一个模型来答复法令相关的问题，首先在很多的通用文本数据上进行预练习，然后在医学问答数据集上进行微调。

  需求留意的是，即使你有高质量的数据集，但挑选的微调模型功用很差，生成的内容也不会很抱负。

  而微软供给根据OpenAI的GPT-3.5-Turbo，是一个通过全球数百万开发者验证的高功用老练模型。

  Babbage-002和Davinci-002是微软最新推出的GPT-3根底模型，可生成文本、代码等，没有接受过遵从指令的练习。但在微调、保管服务费用方面更廉价。

  GPT-3.5-Turbo是OpenAI功用最老练模型之一，支撑多轮深度对话、创立微调数据集、练习和布置等一站式开发服务。

  上传数据：微软在Azure OpenAI内置了数据过滤功用，当检测到用户上传的数据集包括不合法、轻视等有害信息时，会主动删去这一些内容。以下是上传数据集代码示例。

  预练习：运用指定模型、练习和验证数据，并设置相应的参数。开发者可将Azure OpenAI Studio用于简略的GUI，或许运用微软的REST API或OpenAI Python SDK。

  现在，微软供给数据微调保管服务，用户无需忧虑任何算力资源问题，只需挑选时刻即可。

  3）Azure OpenAI 服务中的推理保管：当用户完结微调后，就可以正常的运用模型生成专属内容了。

  假如你没有满足的算力资源渠道来支撑模型的日常输出，微软相同供给了保管服务。