このフェーズでは、お客様の具体的なニーズと目標、市場の課題、モデルが動作するコンテキスト、およびLLMが対処するユースケースを定義します。最後に、明確な目標と成功基準を設定します。

トレーニングデータをクレンジングおよびアノテーションすることで準備します。これには、不整合の解決、欠損値の処理、LLMが学習するためのデータのラベル付けが含まれます。

その結果、モデルのトレーニング用に最適化された、洗練された高品質のデータセットが得られます。

次に、お客様のニーズに基づいて最適なLLMアーキテクチャを選択します。

準備したデータを使用してモデルをトレーニングおよび微調整し、パフォーマンスを最大化します。

次に、モデルを評価して、目標のメトリックを満たしていることを確認します。このプロセスには、トレーニング、評価、および改善の複数の反復が含まれます。

テストが完了すると、カスタムLLMをスケーラブルなインフラストラクチャにデプロイします。モデルを最新の状態に保つために、継続的なホスティング、メンテナンス、およびサポートを処理します。データとユースケースが時間の経過とともに進化するにつれて、LLMを再トレーニングおよび改善して、継続的な高パフォーマンスを確保できます。