તે ઉદાહરણો બનાવો જેમાથી તે શીખે છે

What this lesson is about

બે સો ધ્યાનપૂર્વક બનાવેલા ઉદાહરણો વીસ હજાર બેદરકારીભર્યા ઉદાહરણોથી વધુ સારાં હોય છે. ધ્યાનપૂર્વકના ઉદાહરણો તમે જ લખો.

તમારા પાસે એક અઠવાડિયું છે જેમાં એક નાનું મોડેલ હિન્દીમાં દુકાનના પ્રશ્નોના જવાબ આપવો છે. તમે આ અઠવાડિયું કેવી રીતે વાપરો?

Why this matters

મોડેલ ઉદાહરણોમાં જે બતાવવામાં આવે છે તે નકલ કરે છે, જેમાં લહજો અને ભૂલો પણ શામેલ છે. વાંચ્યા વગરના ઉદાહરણો જે પણ અંદર હોય તે શીખવે છે. તમે જાતે બે સો લખો તે ધીમું છે, અને આ જ ભાગ પરિણામ નક્કી કરે છે.

એવા થોડા શીખવવાના ઉદાહરણો બનાવો જે તમે વાંચ્યા હોય અને કેટલાક પરીક્ષણ માટે અલગ રાખો.

બે સો ધ્યાનપૂર્વક બનાવેલા ઉદાહરણો વીસ હજાર બેદરકારીભર્યા ઉદાહરણોથી વધુ સારાં છે.
દરેક ઉદાહરણ ચોક્કસ તે વર્તન બતાવે જે તમે ઈચ્છો છો, જેમાં ના કહેવાના જવાબો પણ શામેલ છે.
શરૂઆતથી જ કેટલાક ઉદાહરણ અલગ રાખો જેથી પછી ઈમાનદાર પરીક્ષણ થઈ શકે.

Task

હિન્દીમાં દુકાનના પ્રશ્નોના જવાબ આપનારા નાનાં મોડેલ માટે શીખવવાના ઉદાહરણો બનાવો.

Weak approach વેબ પરથી બે હજાર જોડી ડાઉનલોડ કરે છે અને પહેલા વીસ ખોલે છે. આખી ફાઇલ ટ્રેનિંગ સ્ક્રિપ્ટને જાય છે, અને બાકી ક્યારેય વાંચાય નહીં.

Stronger approach બે સો જોડાં હાથથી લખે છે, જેમાં દસ એવા છે જ્યાં સાચો જવાબ ના કહેવું છે. ચાળીસ અલગ રાખે છે, બતાવ્યા વગર.

Why the stronger approach works નબળા સેટમાં જે પણ સ્ક્રેપ થયું તે શીખવાય છે. મજબૂત સેટ ઇચ્છિત વર્તન શીખવે છે અને ઈમાનદાર પરીક્ષણ પણ રાખે છે.

Try a changed situation તમારું ટ્યુન કરેલું મોડેલ એવા પ્રશ્નનો જવાબ આપે છે જેને તેને ના કહેવું જોઈએ હતું. તમારા ઉદાહરણોમાં ના કહેવાના ઉદાહરણો નહોતા. તમે શું ઉમેરશો?

Make something yourself એક કામ માટે પચાસ શીખવવાના ઉદાહરણો લખો, અને દસ એવા જે તમે અલગ રાખો અને ક્યારેય ન બતાવો. ઉપર એક કે બે પંક્તિઓમાં તમે અનુસરી રહેલા નિયમ લખો.

Read the primary or official source: Hugging Face TRL · dataset formats