この段階では、特定のニーズと目標、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特定します。最終的には、明確な目標と成功基準を定義します。

データをクリーンアップし、注釈を付けることでトレーニングデータを準備します。これには、不整合の解決、欠損値の処理、LLMが学習できるようにデータにラベルを付けることが含まれます。

結果は、モデルのトレーニングに最適化された、改善された高品質のデータセットです。

次に、ニーズに基づいて最も適切なLLMアーキテクチャを選択します。

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

次に、ターゲットパフォーマンス指標を満たしていることを確認するためにモデルを評価します。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。

テストが完了したら、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。ホスティング、メンテナンス、および継続的なサポートを処理して、モデルを最新の状態に保ちます。時間の経過とともにデータとユースケースが進化するにつれて、LLMを再トレーニングおよび改善して、継続的で高いパフォーマンスを確保できます。