ИИ

Управление языковыми моделями

Технические требования

Настройка HA кластера - критичный раздел, но сейчас пока не актуально. 

Мне хватило следующего ПК:

Процессор Intel Xeon E5-2670 v3 @2.3GHz (даже не средний 😊) Во время обработки грузился на 60%.
ОП

Всего 32 Gb

        На обученной модели во время обработки вопроса в пиках подскакивало только до 17 Gb

        Просто ollama в фоне - 11 Gb 
SSD Для размещения модели deepseek-r1:7b потребовалось 5 Gb
Видео Не использовалось, слишком старая. Да, не особо быстро, иногда полного ответа нужно было ждать секунд 30.
ОС Windows 

Для построения векторного индекса по одному файлу word размером 100 страниц потребовалось 35 минут.

Запуск модели

Использовал менеджер моделей Ollama ollama.com Установщик. Затем управление через cmd.

Команда Описание
ollama run model_name

Скачать, установить и запустить модель

ollama run deepseek-r1:7b
ollama list Список установленных моделей
ollama rm model_name Удаление модели

После запуска по умолчанию http://localhost:11434/ запускается API.

Взаимодействие через python

Запрос - ответ в существующую модель 

import ollama
import requests

def chat_with_deepseek(prompt, model="deepseek-r1:7b"):
    response = ollama.chat(
        model=model,
        messages=[{"role": "user", "content": prompt}]
    )
    return response["message"]["content"]

def chat_with_deepseek_api(prompt, model="deepseek-r1:7b"):
    url = "http://localhost:11434/api/chat"
    data = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}],
        "stream": False  # Отключить потоковый вывод
    }
    response_api = requests.post(url, json=data)
    return response_api.json()["message"]["content"]

# Пример использования
user_input = "Объясни, что такое ООП простыми словами."
#response = chat_with_deepseek(user_input)
response = chat_with_deepseek_api(user_input)
print("Ответ DeepSeek:", response)

Источник RAG

Дообучение модели на собственных данных

Дополнительные пакеты 

python -m pip install ollama llama-index transformers torch sentence-transformers llama-index-llms-ollama

Здесь должен был быть код, успешный результат (хотя бы результатик), но... Все уперлось в токенизацию. Напрямую 100 страничный файл оказался бессмысленным, узлов после 30 минутной обработки было создано 0. Причем различные варианты не помогли - простое предоставление файла в свободном форматировании оказалось бессмысленным занятием. Нужно погружаться как минимум в теорию Chunk'ов. Хотя скорее всего потребуется еще много чего.

Книги

Теория LLM

Генеративный ИИ относится к алгоритмам, которые могут генерировать новый контент, в отличие от анализа существующих данных или воздействия на них, как более традиционные системы машинного обучения с прогнозированием или искусственного интеллекта.