osFoundry / Platform
トレーニング
ファインチューニングやLoRAアダプタを自分のデータでトレーニング ― ローカル、ワークステーション、クラウドで。
概要
osFoundryのTrainingは、プロンプトだけに頼るのではなく、自分のデータにモデルを合わせるための機能です。フルファインチューニングも、より軽量なLoRA適応も選べます。サポートの応対ログ、コードベースの規約、自分の文章の癖、ラベル付けした業務データといった、自分の領域の例をモデルに与えることで、実際の仕事が求めるとおりに応答するようになります。TrainingはosFoundryの他の機能と同じ場所にあるため、学習させたモデルはそのまま同じワークスペースのチャット、エージェント、アプリで使えます。
osFoundryはBYOKでローカルファーストなので、学習はデータとハードウェアにとって理にかなう場所で走ります。自分のマシン上のローカル、強力なGPUを備えた専用ワークステーション、手元の環境では力が足りないときはクラウド、というように選べます。ランタイムを選ぶのはあなたであり、osFoundryが学習データをリセラー経由に通したり、計算資源の上に上乗せを課したりすることはありません。ローカルや自分のワークステーションで学習を走らせるとき、データは端末に留められます。適応済みモデルを得るために、何かを外に出す必要はありません。多くの場合はLoRAが現実的な既定の選択です。モデル全体を書き換えるのではなく、小さなアダプタの重みだけを学習するので、より安価で速く、控えめなハードウェアにも収まります。より深くモデルを変えたいときのために、フルファインチューニングも用意されています。
これが意味を持つのは、プロンプトが運べる情報には限りがあり、同じ文脈をリクエストのたびに貼り付けるのは高くつくうえに壊れやすいからです。Trainingは自分のパターンを一度だけ重みに焼き込むので、振る舞いが一貫し、毎回説明し直すことに左右されません。osFoundryのBYOKモデルと組み合わせれば、鍵は自分で用意し、席課金はなく、知識もデータもすでに同じワークスペースにあります。こうしてTrainingは、自分が持つデータと、そのデータに対して実際に走らせるモデルとを一つのループでつなぎます。
主な機能
- 自分のデータでモデルをファインチューニングまたはLoRA適応。深く変えたいならフルファインチューニング、控えめなハードウェアで安く速く済ませたいならLoRA
- 学習はローカル、GPUワークステーション、クラウドから選べる。データとハードウェアに合わせてランタイムを選択
- ローカルやワークステーションでの学習ならデータは端末に留まる。適応済みモデルを作るために外へ出す必要はない
- 鍵は自分のもの、席課金なし。学習や推論の計算資源にリセラーの上乗せが乗ることもない
- 学習させたモデルは同じワークスペースのチャット、エージェント、アプリですぐに使える
活用例
- MLエンジニア：オープンモデルをチームのコードベース規約にLoRA適応させ、ワークステーションのGPUで学習し、そのまま同じワークスペースのコーディングエージェントに組み込む
- 領域の専門家：ラベル付けした業務データや応対ログでモデルをファインチューニングし、長いプロンプトなしに自分の用語と社内の文体で答えさせる
- 機密を扱うチーム：ローカルで学習させ、専有データや規制対象のデータを端末から一切出さず、適応済みモデルを完全に自分の管理下に置く
よくある質問
ここでのLoRAとフルファインチューニングの違いは何ですか
フルファインチューニングはモデル全体の重みを更新し、振る舞いをより深く変えられますが、計算資源とメモリを多く使います。LoRAは代わりに小さなアダプタの重みだけを学習するので、速く安く、控えめなハードウェアでも走ります。osFoundryはどちらにも対応します。多くのタスクではLoRAが実用的な選択で、モデルをより徹底して変えたいときにはフルファインチューニングを使えます。
学習データはマシンの外に出ますか
ジョブをどこで走らせるかによります。ローカルや自分のワークステーションで学習させるなら、データは端末に留められます。osFoundryはローカルファーストで、適応済みモデルを作るためにデータをどこかへ送る必要はありません。より多くの計算資源を求めてクラウドで学習させることを選んだ場合は、データは選んだランタイムへ渡ります。これは既定でそうなるのではなく、あなたが意図してその取捨を選ぶものです。
学習させたモデルを学習後すぐに使えますか
はい。osFoundryで適応させたモデルは同じワークスペースで利用でき、どこかへ書き出すことなくチャット、エージェント、アプリで使えます。osFoundryはBYOKで席課金がないため、モデルの学習とそれに対する実行のあいだに、リセラーの上乗せや追加の席料金が挟まることはありません。