> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-codex-link-agent-evals-docs.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> Effectuez le fine-tuning des modèles Azure OpenAI avec le suivi des expériences W&B pour consigner des métriques, des hyperparamètres et la progression de l'entraînement.

# Fine-tuning Azure OpenAI

Ce guide vous montre comment utiliser W\&B avec Azure OpenAI pour suivre et évaluer les tâches de fine-tuning des modèles GPT-3.5 ou GPT-4. Lorsque vous intégrez W\&B, le suivi des expériences consigne les métriques, les hyperparamètres et les artefacts d'entraînement afin de vous permettre d'analyser et d'améliorer les performances du modèle. Vous pouvez également utiliser les outils d'évaluation de W\&B pour prendre des décisions fondées sur les données concernant la sélection du modèle.

Ce guide s'adresse aux professionnels du machine learning qui effectuent le fine-tuning de modèles Azure OpenAI et souhaitent disposer d'une méthode systématique pour suivre et comparer les exécutions.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-codex-link-agent-evals-docs/dCnBB7xc0m6Fml3G/images/integrations/aoai_ft_plot.png?fit=max&auto=format&n=dCnBB7xc0m6Fml3G&q=85&s=ec54a87d9e1c9d7ee2ad047a1b5d298f" alt="Métriques de fine-tuning Azure OpenAI" width="1418" height="1198" data-path="images/integrations/aoai_ft_plot.png" />
</Frame>

<div id="prerequisites">
  ## Prérequis
</div>

Avant de commencer, effectuez les actions suivantes :

* Configurez le service Azure OpenAI en suivant la [documentation officielle d’Azure](https://wandb.me/aoai-wb-int).
* Configurez un compte W\&B à l’aide d’une clé API.

<div id="workflow-overview">
  ## Aperçu du flux de travail
</div>

Les étapes suivantes résument le déroulement typique d’un job de fine-tuning Azure OpenAI dans W\&B, depuis la préparation du job jusqu’à l’évaluation du modèle obtenu.

<div id="fine-tuning-setup">
  ### Configuration du fine-tuning
</div>

La configuration du fine-tuning comprend les étapes suivantes :

* Préparez les données d’entraînement conformément aux exigences d’Azure OpenAI.
* Configurez le job de fine-tuning dans Azure OpenAI.
* Suivez le processus de fine-tuning et consignez les métriques et les hyperparamètres avec W\&B.

<div id="experiment-tracking">
  ### Suivi des expériences
</div>

Lors du fine-tuning, W\&B capture :

* Les métriques d’entraînement et de validation.
* Les hyperparamètres du modèle.
* L’utilisation des ressources.
* Les artefacts d’entraînement.

<div id="model-evaluation">
  ### Évaluation du modèle
</div>

Après le Fine-tuning, utilisez [W\&B Weave](https://weave-docs.wandb.ai) pour :

* Évaluer les résultats du modèle à l’aide de jeux de données de référence.
* Comparer les performances entre différentes itérations de Fine-tuning.
* Analyser le comportement du modèle sur des cas de test spécifiques.
* Prendre des décisions fondées sur les données pour choisir le modèle.

<div id="real-world-example">
  ## Exemple concret
</div>

Pour voir l’intégration appliquée de bout en bout, explorez les ressources suivantes :

* Explorez la [démo de génération de notes médicales](https://wandb.me/aoai-ft-colab) pour voir comment cette intégration facilite :
  * le suivi systématique des expériences de fine-tuning.
  * l’évaluation du modèle à l’aide de métriques propres au domaine.
* Parcourez un [notebook interactif de fine-tuning](https://colab.research.google.com/github/wandb/examples/blob/master/colabs/azure/azure_gpt_medical_notes.ipynb).

<div id="additional-resources">
  ## Ressources supplémentaires
</div>

* [Guide d’intégration W\&B pour Azure OpenAI](https://wandb.me/aoai-wb-int)
* [Documentation sur le Fine-tuning d’Azure OpenAI](https://learn.microsoft.com/azure/ai-services/openai/how-to/fine-tuning?tabs=turbo%2Cpython\&pivots=programming-language-python)