NVIDIA NeMo 增强企业的大型语言模型定制化

根据 NVIDIA 技术博客 的说法，采用大型语言模型 (LLM) 的企业可以通过模型定制获得显著的收益。根据领域特定需求定制 LLM 并高效部署它们对于实现最佳性能和相关性至关重要。

利用 NVIDIA NeMo 进行定制化

NVIDIA NeMo 是一个用于开发定制生成型 AI 的端到端平台，提供了训练、定制、检索增强生成 (RAG)、护栏、工具包、数据策划和模型预训练的工具。借助 NeMo，企业可以开发符合其品牌声音和领域特定知识的模型，增强如客户服务聊天机器人或 IT 帮助机器人的任务。

例如，使用 PubMedQA 数据集定制 Llama 3 8B NIM 用于生物医学领域的过程展示了平台的能力。此定制可以让组织高效地从大量内容中提取关键信息，并向客户传递相关信息。

NVIDIA NIM：加速部署

作为 NVIDIA AI 企业套件的一部分，NVIDIA NIM 提供了易于使用的推理微服务，旨在加速性能优化生成型 AI 模型的部署。这些微服务可部署在各种环境中，包括工作站、本地和云端，确保企业的灵活性和数据安全性。

目前，用户可以访问 Llama 3 8B 指令和 Llama 3 70B 指令模型的 NIM 推理微服务，便于在任何 NVIDIA 加速基础设施上自托管部署。对于刚开始原型设计的用户，通过 NVIDIA API 目录提供的 Llama 3 API 也是一个宝贵的资源。

定制过程

定制过程包括几个步骤，首先是将模型转换为 .nemo 格式，并为 NeMo 模型创建 LoRA（低秩适配）适配器。这些适配器随后与 NIM 一起用于定制模型的推理。NIM 支持 LoRA 适配器的动态加载，支持为各种用例训练多个 LoRA 模型。

要开始，企业需要访问 NVIDIA GPU、启用了 Docker 的环境和 NVIDIA 容器运行时、NGC CLI API 密钥和 NVIDIA AI 企业许可证。一旦满足这些先决条件，就可以从 NVIDIA NGC 目录下载 Llama 3 8B 指令模型，并使用 NeMo 框架进一步定制它。

部署和推理

在定制模型后，需要使用 NIM 进行部署。部署过程包括组织模型存储并使用 Docker 命令启动服务器。然后，企业可以向服务器发送推理请求，从而利用定制模型满足其特定需求。

例如，可以使用 Python 脚本向服务器的 completions 端点发送 POST 请求，使企业能够根据定制模型生成响应。此过程确保模型提供准确且相关的领域特定问题答案。

未来展望

为了进一步简化生成型 AI 的定制化，NVIDIA 宣布了 NeMo Customizer 微服务的早期访问计划。这项高性能、可扩展的服务简化了 LLM 的微调和校准，使企业能够更快地将解决方案推向市场。

通过利用 NVIDIA NeMo 和 NIM，企业可以高效且有效地实现 LLM 的定制和部署，确保其 AI 解决方案符合其独特需求。