Domain-adaptáció Az alapozási modellek finomhangolása az Amazon SageMaker JumpStartban a pénzügyi adatokon

A több milliárd paramétert tartalmazó nagy nyelvi modellek (LLM-ek) jelenleg a természetes nyelvi feldolgozás (NLP) élvonalába tartoznak. Ezek a modellek felrázzák a terepet hihetetlen képességeikkel szöveggenerálásra, érzelmek elemzésére, nyelvek fordítására és még sok másra. A hatalmas mennyiségű adathoz való hozzáférés révén az LLM-ek forradalmasíthatják a nyelvvel való interakciót. Bár az LLM-ek képesek különféle NLP-feladatok elvégzésére, általánosnak tekintik őket, és nem specialistáknak. Ahhoz, hogy egy LLM-et egy adott területen szakértővé képezzen, általában finomhangolásra van szükség.

A több milliárd paraméterrel rendelkező LLM-ek képzése és telepítése során az egyik legnagyobb kihívás a méretük, ami megnehezítheti, hogy egyetlen GPU-ba, a mély tanuláshoz általánosan használt hardverbe illeszkedjenek. Ezeknek a modelleknek a puszta méretei nagy teljesítményű számítási erőforrásokat igényelnek, például nagy mennyiségű memóriával rendelkező speciális GPU-kat. Ezenkívül ezeknek a modelleknek a mérete számításilag költségessé teheti őket, ami jelentősen megnövelheti a képzési és következtetési időt.

Ebben a bejegyzésben bemutatjuk, hogyan használhatjuk Amazon SageMaker JumpStart a nagy nyelvű szöveggenerálási modell egyszerű finomhangolása egy tartományspecifikus adatkészleten, ugyanúgy, ahogyan bármilyen modellt betanítana és telepítene Amazon SageMaker. Konkrétan bemutatjuk, hogyan lehet finomhangolni a GPT-J 6B nyelvi modellt pénzügyi szöveggeneráláshoz a JumpStart SDK és a Amazon SageMaker Studio UI a SEC-bejelentések nyilvánosan elérhető adatkészletén.

A JumpStart segít gyorsan és egyszerűen elkezdeni a gépi tanulást (ML), és olyan megoldásokat kínál a leggyakoribb használati esetekre, amelyek néhány lépéssel könnyen betaníthatók és üzembe helyezhetők. A bemutató összes lépése megtalálható a mellékelt notebookban Szöveggeneráló GPT-J 6B modell finomhangolása egy tartományspecifikus adatkészleten.

Megoldás áttekintése

A következő szakaszokban lépésről lépésre bemutatjuk az LLM finomhangolását szöveggenerálási feladatokhoz a JumpStart Studio felhasználói felületén és a Python SDK-n keresztül. Különösen a következő témákat tárgyaljuk:

• A SEC-nyilvántartási adatok áttekintése a pénzügyi területen, amelyre a modell finomhangolásra került
• Az általunk finomhangolásra kiválasztott LLM GPT-J 6B modell áttekintése
• Az LLM finomhangolásának két különböző módja a JumpStart segítségével:
  • A JumpStart programozott használata a SageMaker Python SDK-val
  • Hozzáférés a JumpStarthoz a Studio UI használatával
• A finomhangolt modell értékelése az előre betanított, finomhangolás nélküli modellel történő összehasonlítással

A finomhangolás egy előre betanított nyelvi modell felvételének folyamatát jelenti, és meghatározott adatok felhasználásával egy eltérő, de kapcsolódó feladatra betanítja. Ez a megközelítés más néven transzfer tanulás, amely magában foglalja a tanult ismeretek egyik feladatból a másikba való átvitelét. Az LLM-ek, mint például a GPT-J 6B, hatalmas mennyiségű címkézetlen adatra vannak kiképezve, és finomhangolhatók kisebb adatkészleteken, így a modell jobban teljesít egy adott tartományban.

Példaként arra, hogyan javul a teljesítmény a modell finomhangolásakor, tegye fel neki a következő kérdést:

„Mi mozgatja az eladások növekedését az Amazonnál?”

Finomhangolás nélkül a válasz a következő lenne:

„Az Amazon a világ legnagyobb online kiskereskedője. Ez egyben a világ legnagyobb online piactere is. Ez is a világ”

Finomhangolással a válasz a következő:

„Az Amazon eladásainak növekedését elsősorban a megnövekedett vásárlói használat vezérli, beleértve a megnövekedett választékot, az alacsonyabb árakat és a megnövekedett kényelmet, valamint a webhelyeinken más eladók általi megnövekedett eladásokat.”

A finomhangolásból származó javulás nyilvánvaló.

A SEC-bejelentésekből származó pénzügyi szöveget használjuk a GPT-J 6B LLM pénzügyi alkalmazásokhoz való finomhangolására. A következő részekben bemutatjuk az adatokat és a finomhangolásra kerülő LLM-et.

SEC iktatási adatkészlet

A SEC-bejelentések kritikusak a pénzügyi szabályozás és közzététel szempontjából. A bejelentések tájékoztatják a befektetői közösséget a vállalatok üzleti feltételeiről és a társaságok jövőbeli kilátásairól. A SEC-bejelentések szövege lefedi a vállalat működésének és üzleti feltételeinek teljes skáláját. Potenciális előrejelző értékük miatt ezek a bejelentések jó információforrást jelentenek a befektetők számára. Bár ezek a SEC beadványok nyílvánosan elérhető bárki számára időigényes feladat az elemzett fájlok letöltése és egy tiszta adatkészlet létrehozása hozzáadott szolgáltatásokkal. Ezt néhány API-hívással lehetővé tesszük a JumpStartban Ipari SDK.

A SageMaker API segítségével éves jelentéseket töltöttünk le (10-K bejelentések; lát Hogyan olvassunk el egy 10-K további információkért) számos vállalat számára. A GPT-J 2021B modell finomhangolásához az Amazon SEC-nyilvántartási jelentéseit választjuk ki a 2022–6-es évekre vonatkozóan. Különösen a vállalat különböző évekre vonatkozó SEC-nyilvántartási jelentéseit fűzzük egyetlen szöveges fájlba, kivéve a „Vezetői megbeszélés és elemzés” részt, amely a vállalat vezetőségének előretekintő nyilatkozatait tartalmazza, és érvényesítési adatként szolgál.

Az elvárás az, hogy a GPT-J 6B szöveggenerálási modell pénzügyi SEC dokumentumokon történő finomhangolása után a modell képes legyen áttekinthető pénzügyi vonatkozású szöveges kimenetet generálni, így több tartomány-specifikus NLP feladat megoldására is használható.

GPT-J 6B nagy nyelvű modell

GPT-J 6B egy nyílt forráskódú, 6 milliárd paraméteres modell, amelyet az Eleuther AI adott ki. A GPT-J 6B szöveges adatok nagy tömegére lett kiképezve, és képes különféle NLP-feladatok elvégzésére, például szöveggenerálásra, szövegosztályozásra és szövegösszegzésre. Bár ez a modell lenyűgöző számos NLP-feladatnál anélkül, hogy bármilyen finomhangolásra lenne szükség, sok esetben finomhangolnia kell a modellt egy adott adatkészleten és NLP-feladatokon, amelyeket meg akar oldani. A használati esetek közé tartoznak az egyéni chatbotok, az ötletgenerálás, az entitások kinyerése, az osztályozás és a hangulatelemzés.

Hozzáférés az LLM-ekhez a SageMakeren

Most, hogy azonosítottuk az adatkészletet és a modellt, amelyen finomhangolni fogunk, a JumpStart két lehetőséget kínál a szöveggenerálás finomhangolásának megkezdéséhez: a SageMaker SDK-t és a Studio-t.

A JumpStart programozott használata a SageMaker SDK-val

Most áttekintünk egy példát arra vonatkozóan, hogyan használhatja a SageMaker JumpStart SDK-t egy LLM (GPT-J 6B) eléréséhez, és finomhangolhatja azt a SEC fájladatkészleten. A finomhangolás befejeztével bevezetjük a finomhangolt modellt, és következtetéseket vonunk le belőle. A bejegyzés összes lépése elérhető a mellékelt jegyzetfüzetben: Szöveggeneráló GPT-J 6B modell finomhangolása tartományspecifikus adatkészleten.

Ebben a példában a JumpStart a SageMaker átölelő arc mély tanulási tartály (DLC) és DeepSpeed könyvtárat a modell finomhangolásához. A DeepSpeed ​​könyvtárat úgy tervezték, hogy csökkentse a számítási teljesítményt és a memóriahasználatot, és hogy a meglévő számítógépes hardvereken nagyobb párhuzamosságot biztosító nagy elosztott modelleket tanítson. Támogatja az egy csomóponton elosztott betanítást, gradiens-ellenőrzési pontozást és modellpárhuzamot használva nagy modellek betanításához egyetlen SageMaker oktatópéldányon, több GPU-val. A JumpStart segítségével integráljuk a DeepSpeed ​​könyvtárat a SageMaker Hugging Face DLC-vel, és gondoskodunk mindenről a motorháztető alatt. Könnyedén finomhangolhatja a modellt a domain-specifikus adatkészletén anélkül, hogy manuálisan beállítaná.

Finomhangolja az előre betanított modellt a tartományspecifikus adatokon

A kiválasztott modell finomhangolásához meg kell szereznünk a modell URI-ját, valamint a betanítási parancsfájlt és a betanításhoz használt tárolóképet. A dolgok megkönnyítése érdekében ez a három bemenet kizárólag a modell nevétől és verziójától függ (az elérhető modellek listáját lásd: Beépített algoritmusok előre betanított modelltáblázattal), és a példány típusát, amelyen oktatni szeretne. Ezt a következő kódrészlet szemlélteti:

from sagemaker import image_uris, model_uris, script_uris, hyperparameters model_id, model_version = "huggingface-textgeneration1-gpt-j-6b", "*"
training_instance_type = "ml.g5.12xlarge" # Retrieve the docker image
train_image_uri = image_uris.retrieve( region=None, framework=None, model_id=model_id, model_version=model_version, image_scope="training", instance_type=training_instance_type,
) # Retrieve the training script
train_source_uri = script_uris.retrieve( model_id=model_id, model_version=model_version, script_scope="training"
) # Retrieve the pre-trained model tarball to further fine-tune
train_model_uri = model_uris.retrieve( model_id=model_id, model_version=model_version, model_scope="training"
)

Visszaszerezzük a model_id ugyanazon modellnek felel meg, amelyet használni szeretnénk. Ebben az esetben finomhangoljuk huggingface-textgeneration1-gpt-j-6b.

A hiperparaméterek meghatározása magában foglalja az ML modell betanítási folyamata során használt különféle paraméterek értékeinek beállítását. Ezek a paraméterek befolyásolhatják a modell teljesítményét és pontosságát. A következő lépésben létrehozzuk a hiperparamétereket az alapértelmezett beállítások felhasználásával és egyedi értékek megadásával olyan paraméterekhez, mint pl. epochs és a learning_rate:

from sagemaker import hyperparameters # Retrieve the default hyper-parameters for fine-tuning the model
hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version) # [Optional] Override default hyperparameters with custom values
hyperparameters["epochs"] = "6" hyperparameters["learning_rate"] = "2e-04"
print(hyperparameters)

A JumpStart a hangolható hiperparaméterek széles listáját kínálja. Az alábbi lista áttekintést nyújt a modell finomhangolása során használt kulcsfontosságú hiperparaméterek egy részéről. A hiperparaméterek teljes listáját lásd a notebookban Szöveggeneráló GPT-J 6B modell finomhangolása tartományspecifikus adatkészleten.

• korszakok – Megadja, hogy az eredeti adatkészlet legfeljebb hány korszaka kerüljön ismétlésre.
• tanulási_ráta – Szabályozza az optimalizáló algoritmus lépésméretét vagy tanulási sebességét edzés közben.
• eval_steps – Meghatározza, hogy hány lépést kell futtatni, mielőtt kiértékelné a modellt az érvényesítési halmazon a képzés során. Az érvényesítési halmaz az adatok egy részhalmaza, amelyet nem használnak a betanításhoz, hanem a modell teljesítményének ellenőrzésére szolgál nem látott adatokon.
• súly_romlás – Szabályozza a rendszerezési erőt a modelledzés során. A szabályosítás egy olyan technika, amely segít megakadályozni, hogy a modell túlillessze a képzési adatokat, ami jobb teljesítményt eredményezhet a nem látott adatokon.
• fp16 – Szabályozza, hogy az fp16 16 bites (vegyes) precíziós oktatást használja-e a 32 bites oktatás helyett.
• értékelési_stratégia – A képzés során alkalmazott értékelési stratégia.
• gradiens_accumulation_steps – A frissítési lépések száma a színátmenetek felhalmozásához, mielőtt visszafelé/frissítést hajtana végre.

A hiperparaméterekkel kapcsolatos további részletekért forduljon a hivatalos személyhez Hugging Face Trainer dokumentáció.

Most már finomhangolhatja ezt a JumpStart modellt saját egyéni adatkészletén a SageMaker SDK segítségével. A korábban ismertetett SEC nyilvántartási adatokat használjuk. A vonat és az érvényesítési adatok a következő helyen találhatók: train_dataset_s3_path és a validation_dataset_s3_path. Az adatok támogatott formátuma a CSV, a JSON és a TXT. A CSV- és JSON-adatokhoz a szöveges adatok a megnevezett oszlopból kerülnek felhasználásra text vagy az első oszlopot, ha nem található szöveg nevű oszlop. Mivel ez szöveggenerálási finomhangolásra szolgál, nincs szükség alapvető igazságcímkékre. A következő kód egy SDK-példa a modell finomhangolására:

from sagemaker.estimator import Estimator
from sagemaker.utils import name_from_base
from sagemaker.tuner import HyperparameterTuner
from sagemaker.huggingface import HuggingFace train_dataset_s3_path = "s3://jumpstart-cache-prod-us-west-2/training-datasets/tc/data.csv"
validation_dataset_s3_path = "s3://jumpstart-cache-prod-us-west-2/training-datasets/tc/data.csv" training_job_name = name_from_base(f"jumpstart-example-{model_id}") metric_definitions=[ {'Name': 'train:loss', 'Regex': "'loss': ([0-9]+.[0-9]+)"}, {'Name': 'eval:loss', 'Regex': "'eval_loss': ([0-9]+.[0-9]+)"}, {'Name': 'eval:runtime', 'Regex': "'eval_runtime': ([0-9]+.[0-9]+)"}, {'Name': 'eval:samples_per_second', 'Regex': "'eval_samples_per_second': ([0-9]+.[0-9]+)"}, {'Name': 'eval:eval_steps_per_second', 'Regex': "'eval_steps_per_second': ([0-9]+.[0-9]+)"},
] # # Create SageMaker Estimator instance
tg_estimator = Estimator( role=aws_role, image_uri=train_image_uri, source_dir=train_source_uri, model_uri=train_model_uri, entry_point="transfer_learning.py", instance_count=1, instance_type=training_instance_type, hyperparameters=hyperparameters, output_path=s3_output_location, base_job_name=training_job_name, enable_network_isolation=True, metric_definitions=metric_definitions
) # Launch a SageMaker Training job by passing s3 path of the training data
tg_estimator.fit({"train": train_dataset_s3_path, "validation": validation_dataset_s3_path}, logs=True)

Miután beállítottuk a SageMaker becslést a szükséges hiperparaméterekkel, példányosítunk egy SageMaker becslést, és meghívjuk a .fit módszerrel kezdjük el a modellünk finomhangolását, átadva a Amazon egyszerű tárolási szolgáltatás (Amazon S3) URI az edzési adatainkhoz. Mint látható, a entry_point a megadott script neve transfer_learning.py (ugyanez más feladatoknál és modelleknél is), és a bemeneti adatcsatorna átadta .fit vonatnak és érvényesítésnek kell nevezni.

A JumpStart támogatja a hiperparaméter-optimalizálást is SageMaker automatikus modelltuning. A részletekért lásd a példát jegyzetfüzet.

Telepítse a finomhangolt modellt

A képzés befejeztével üzembe helyezheti a finomhangolt modellt. Ehhez mindössze a következtetési parancsfájl URI-ját (a kódot, amely meghatározza, hogy a modellt a telepítés után miként használjuk következtetésekhez) és a következtetéstároló kép URI-ját kell megszereznünk, amely egy megfelelő modellkiszolgálót tartalmaz az általunk választott modell hosztolásához. Lásd a következő kódot:

from sagemaker.predictor import Predictor
from sagemaker import image_uris
from sagemaker.utils import name_from_base
import boto3 sagemaker_session = sagemaker.Session(boto_session=boto3.Session(region_name="us-west-2")) #Retrieve the inference docker container uri
deploy_image_uri = image_uris.retrieve( region=None, framework=None, image_scope="inference", model_id=model_id, model_version=model_version, instance_type=inference_instance_type,
) endpoint_name = name_from_base(f"jumpstart-example-{model_id}") # Use the estimator from the previous step to deploy to a SageMaker endpoint
finetuned_predictor = tg_estimator.deploy( initial_instance_count=1, instance_type="ml.g5.12xlarge", image_uri=image_uri, endpoint_name=endpoint_name,
)

Néhány perc múlva a modellünk bevetésre kerül, és valós időben kaphatunk előrejelzéseket belőle!

A JumpStart elérése a Studio felhasználói felületén keresztül

A JumpStart modellek finomhangolásának és üzembe helyezésének másik módja a Studio UI. Ez a felhasználói felület alacsony kódú/kód nélküli megoldást kínál az LLM-ek finomhangolásához.

A Studio konzolon válassza a lehetőséget Modellek, notebookok, megoldások alatt SageMaker JumpStart a navigációs ablaktáblában.

A keresősávban keresse meg a finomhangolni és telepíteni kívánt modellt.

Esetünkben a GPT-J 6B modellkártyát választottuk. Itt közvetlenül finomhangolhatjuk vagy telepíthetjük az LLM-et.

Modell értékelés

Egy LLM kiértékelésénél használhatjuk a perplexitást (PPL). A PPL annak általános mértéke, hogy egy nyelvi modell mennyire képes megjósolni a sorozat következő szavát. Egyszerűbben fogalmazva, ez egy módszer annak mérésére, hogy a modell mennyire képes megérteni és létrehozni az emberhez hasonló nyelvet.

Az alacsonyabb zavarossági pontszám azt jelenti, hogy a modell jobban teljesít a következő szó előrejelzésében. Gyakorlatilag a perplexitás segítségével összehasonlíthatjuk a különböző nyelvi modelleket, és meghatározhatjuk, hogy melyik teljesít jobban egy adott feladatban. Segítségével nyomon követhetjük egyetlen modell teljesítményét az idő múlásával. További részletekért lásd: Fix hosszúságú modellek zavarossága.

A modell teljesítményét a finomhangolás előtti és utáni teljesítményének összehasonlításával értékeljük. A PPL-t a képzési munkakörben bocsátják ki amazonfelhőóra rönkök. Ezenkívül megvizsgáljuk a modell által generált kimenetet az adott tesztkérdésekre válaszul.

A modell megnövelt teljesítményét két kísérlet demonstrálja:

• Szöveggenerálás – Megmutatjuk, hogy a finomhangolt GPT-J kimenete olyan szöveget generál, amely hasonlít a SEC adatkészletre, jelezve, hogy megtanulta emulálni a pénzügyi szabályozási tartomány nyelvi mintáit és konvencióit.
• Zero-shot tanulás – Bemutatjuk, hogy a finomhangolt GPT-J szignifikánsan jobb teljesítményt mutat, mint a nem finomhangolt GPT-J nullapontos kérdésválaszolásnál

A szöveggenerálási kísérlethez a következő következtetési paramétereket használjuk az eredmények eléréséhez: max_length 400-ból (a visszaküldött tokenek száma), num_return_sequences 1-ből (válaszszöveg-példák száma), top_k 250-ből (válasszon a legjobb 250 lehetséges folytatás közül), top_p 0.8 (csak olyan folytatások közül válasszon, amelyek legalább 80%-ban valószínűek), do_sample is True (mintavétel), és temperature 1 (a magas hőmérséklet nagyobb véletlenszerűséget jelent a válaszokban). A paraméterekkel kapcsolatos további részletekért lásd: GenerationConfig. A következő táblázat összehasonlítja a finomhangolt GPT-J és a nem finomhangolt GPT-J-t egy szövegkiegészítő feladaton.

A második kísérlethez egy nulla lövésű kérdésmegválaszoló feladattal beállítottuk a max_length hogy más érték legyen (40, 200 és 40) az egyes kérdésektől elvárt kimenet alapján. A paraméterei top_k, top_p, do_sample, temperature 250, 0.8, False, illetve 0. 0 közeli hőmérsékletet állítunk be a kimenet véletlenszerűségének szabályozására, míg a szöveggenerálási feladatnál 1 közelébe állítjuk, hogy kreatívabbá tegyük a modellt. Az alábbi táblázat összehasonlítja az eredményeket. Minden kérdésnél a finomhangolt GPT-J kimenete pontosabb, mint a nem finomhangolté.

Tisztítsuk meg

A folyamatos költségek elkerülése érdekében törölje a SageMaker következtetési végpontokat. A végpontokat a SageMaker konzolon vagy a notebookból törölheti a következő parancsokkal:

# Delete the SageMaker endpoint and the attached resources
finetuned_predictor.delete_model()
finetuned_predictor.delete_endpoint()

Következtetés

A JumpStart a SageMaker olyan képessége, amely lehetővé teszi az ML gyors elkezdését. A JumpStart nyílt forráskódú, előre betanított modelleket használ az olyan gyakori ML-problémák megoldására, mint a képosztályozás, az objektumészlelés, a szövegosztályozás, a mondatpárok osztályozása és a kérdések megválaszolása.

Ebben a bejegyzésben megmutattuk, hogyan lehet finomhangolni és telepíteni egy előre betanított LLM-et (GPT-J 6B) a szöveggeneráláshoz a SEC kitöltési adatkészlet alapján. A vállalat mindössze két éves jelentésén mutattuk be, hogy a modell hogyan alakult át pénzügyi terület szakértőjévé a finomhangolási folyamat során. Ez a finomhangolás lehetővé tette a modell számára, hogy tartalmat generáljon a pénzügyi témák megértésével és nagyobb pontossággal. Próbálja ki a megoldást saját maga, és tudassa velünk, hogyan működik a megjegyzésekben.

Fontos: Ez a bejegyzés csak demonstrációs célokat szolgál. Ez nem pénzügyi tanács, és nem szabad pénzügyi vagy befektetési tanácsként támaszkodni rá. A poszt során a SEC EDGAR adatbázisból nyert adatok alapján előre betanított modelleket használtak. Ön felelős az EDGAR hozzáférési feltételeinek betartásáért, ha SEC-adatokat használ.

Ha többet szeretne megtudni a JumpStartról, tekintse meg a következő bejegyzéseket:

A szerzőkről

Dr. Xin Huang az Amazon SageMaker JumpStart és az Amazon SageMaker beépített algoritmusainak vezető alkalmazott tudósa. A skálázható gépi tanulási algoritmusok fejlesztésére összpontosít. Kutatási területe a természetes nyelvi feldolgozás, a táblázatos adatok magyarázható mély tanulása és a nem-paraméteres tér-idő klaszterezés robusztus elemzése. Számos közleményt publikált az ACL-ben, az ICDM-ben, a KDD konferenciákon és a Royal Statistical Society: A sorozatban.

Marc Karp ML építész az Amazon SageMaker Service csapatánál. Arra összpontosít, hogy segítse az ügyfeleket az ML-munkaterhelések nagyszabású tervezésében, telepítésében és kezelésében. Szabadidejében szívesen utazik és új helyeket fedez fel.

Dr. Sanjiv Das Amazon Scholar, a Santa Clara Egyetem pénzügy- és adattudományi Terry professzora. Posztgraduális diplomát szerzett pénzügyből (M. Phil és PhD a New York Egyetemen) és számítástechnikából (MS a Berkeley Egyetemen), valamint MBA fokozatot az Indiai Menedzsment Intézetben, Ahmedabadban. Mielőtt akadémikus lett volna, az ázsiai-csendes-óceáni térség származékos üzletágában dolgozott, a Citibank alelnökeként. A multimodális gépi tanulással foglalkozik a pénzügyi alkalmazások területén.

Arun Kumar Lokanatha az Amazon SageMaker Service csapatának vezető ML Solutions Architect. Arra összpontosít, hogy segítse az ügyfeleket az ML gyártási munkaterhelések felépítésében, betanításában és a SageMakerre való nagyszabású migrációban. A mély tanulásra specializálódott, különösen az NLP és az önéletrajz területén. A munkán kívül szeret futni és túrázni.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
• A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/