IBM Cloud から提供されている生成 AI である Watsonx.AI の LLM をチューニングする機会があったので、その内容や手順、そして気になるチューニングのコストなどをまとめました。あくまで一つの例ですが、参考になればと思っています。


【Watsonx.AI の LLM チューニング】
本記事で後述する内容は 2024-09-25 時点のものです。この時点では Watsonx.AI の LLM チューニングはいわゆる「プロンプト・チューニング」のみ可能です。

LLM の基になる非構造テキストデータを大量に再学習、するようなチューニングではなく、あくまで「プロンプトエンジニアリングをベースとしたチューニング」です。詳しくは後述しますが、ベースとなる LLM に対して、入力例と出力例を複数与えてプロンプトに出力の方向性を指示するような改良を LLM に加える、というものです。プロンプトエンジニアリングで与えるサンプル部分のトークン数が多くなって１回の問い合わせコストが高くなってしまうことを防ぐことがメリットとなるものです。


【どんなチューニングをするか】
当然ですが、「チューニング前の LLM では期待した返答にならないような問い合わせ」をチューニングして改良することを試みます。というわけで、まずはチューニング前の granite-13b-instruct-v2 モデルを使って、フリーフォームで以下のプロンプトを試してみました（2024-09-25 時点での試行結果です）：

「1 ドルは 140.1 円です。 10 ドルは何円ですか？」



このプロンプトに対して「生成」ボタンで問い合わせすると「140.1 円です。」という返答が返ってきました。うーん、価格を問い合わせていることは理解できているようですが、こちらが期待した計算結果にはなっていませんでした：



そこで計算方法含めてプロンプトでガイドしてみます。「フリーフォーム」から「構造化」に変えます（この時に LLM モデルが切り替わることがあるので、改めて granite-13b-instruct-v2 モデルを選びます）。そして "例" と書かれた箇所を「新規テスト＋」ボタンで行を増やしながら以下のように３行入力します。与えられた情報を使って、答を計算して返答するような例をいくつか指示してみました：

行	入力	出力
1	1 ドルは 140 円です。 10 ドルは何円ですか？	1 ドルが 140 円なので、 10 ドルは約 140 * 10 = 1400 円です。
2	1 ドルは 140.1 円です。 20 ドルは何円ですか？	1 ドルが 140.1 円なので、 20 ドルは約 140.1 * 20 = 2802 円です。
3	1 ドルは 140.3 円です。 30 ドルは何円ですか？	1 ドルが 140.3 円なので、 30 ドルは約 140.3 * 30 = 4209 円です。

そして "試行" の入力欄に以下を入力し、テキストを生成させます：
「1 ドルは 139.1 円です。 10 ドルは何円ですか？」



これで「1 ドルが 139.1 円なので、 10 ドルは約 139.1 * 10 = 1391 円です。」と答えてくれることを期待していました。が、結果は・・・　計算や数値は期待通りなのですが、"Thornton" って何？？　ともあれ、数字を計算して答えることや、その計算方法は理解してもらえている・・・と思います：



というわけで、この方向で為替計算を教えるような LLM チューニングを試みてみます。


【プロジェクトと Tuning Studio の準備】
改めて、ここからが LLM チューニングの紹介内容です。

まずは LLM チューニングを行うための準備といえる作業をいくつか実行します。その１つが「プロジェクトの準備」です。既に Watsonx.AI のプロジェクトを作成済みの人もいると思いますが、もし環境的に問題なければ新しいプロジェクトを１つ作ってから LLM チューニングを行うことを推奨します（そうすると後述で紹介するチューニングコストを確認しやすいため）。もちろん既存プロジェクトを選択してチューニングしても構いません。

プロジェクトを新規に作成する前に現在の環境で作成されているプロジェクトの一覧を確認します。 Watsonx.AI の画面左上のハンバーガーメニューをクリックします：



このメニューから「すべてのプロジェクトの表示」を選択します：



現在までに作成されたプロジェクトの一覧が表示されます。ここから１つ選択して、そのプロジェクト内でチューニングを実行することも可能です。　プロジェクトを新規に作成するには右上の「新規プロジェクト」ボタンをクリックします：



新規に作成するプロジェクトの情報を入力します。まずはプロジェクトの名前を入力します：



このプロジェクトで利用するストレージサービス（Cloud Object Storage）のインスタンスを選択します。１つ選ぶか、新規に作成して指定します。最後に「作成」ボタンが有効化されたら「作成」します：



既存プロジェクトを選択した場合はそのプロジェクトが、プロジェクトを新規作成した場合は作成されたプロジェクトが開きます。この画面内でプロジェクト内で使ったリソース量が表示されます。新規作成した場合はこの時点ではゼロになっているので、この後のチューニング作業でどの程度増えているか確認しやすいと思っています：




【Tuning Studio によるチューニングの手順】
Watsonx.AI では LLM をチューニングするためのオンラインツール "Tuning Studio" を利用することができます。このオンラインツールを使って、チューニング元の LLM モデルに自分で与えた学習データを使ったチューニングを施した、新しい LLM モデルを作ることができます。

では以下に実際に Tuning Studio を使って LLM をチューニングしていく手順を紹介します。

プロジェクト画面を開きます（作ったばかりなせいか、リソース消費量の表示がおかしくなっています。この時点では実際は全てゼロのはず）。ここから実際にプロンプト問い合わせを実行するプロンプト・ラボにも移動できますが、今回は LLM モデルのチューニングを行う「ラベル付きデータを使用したファウンデーション・モデルの調整」を選択します：



最初にチューニングそのものに適当な名称、説明、タグを付与し「作成」ボタンをクリックします：



するとチューニングのアセットが作られ、そのチューニング内容を指定する画面になります。まずはチューニング元になる LLM （言語モデル）を選択します。「基礎モデルの選択」ボタンをクリックします：



ここで選択できる LLM の一覧が表示されます。2024-09-25 時点ではここで選択できる LLM は "fran-t5-xl-3b" か "granite-13b-instruct-v2" のいずれかでした（これを知っていたので、上述のプロンプトでも granite-13b-instruct-v2 を使ってプロンプトを試していました）。ここから１つ選んでチューニングするわけですが、今回は IBM の "granite-13b-instruct-v2" を選択しました：


※実際のチューニングではここでベースとなる LLM を何にするかによってもチューニングの結果は異なることになります。一般的にはここで選択する LLM は「プロンプトエンジニアリングを試した時点で相性の良さそうな LLM を選ぶ」のが良いとされています。


選択した LLM の説明文が表示されます。これで問題なければ「選択」をクリックします：



チューニング元 LLM の選択ができました。すると画面右に「トレーニング・データの追加」と書かれたファイルアップロード画面が表示されます。ここで追加用チューニングデータを指定してチューニングを行うことができます。追加用チューニングデータのフォーマットが分からない場合は（青枠の）「テンプレートのプレビュー」ボタンをクリックします：



「テンプレートのプレビュー」をクリックし、"JSON" タブを選択すると以下のような画面が表示されます。"input" と "output" の要素を含む JSON が配列になっていて、この input にプロンプト例、output に問い合わせ結果例が含まれているようなデータを作る、ということのようでした（最大で 10000 サンプル、200MB。これ以外に配列の "[" , "]" を抜いた JSONL 型のデータも使えるようです）：



このようなフォーマットでチューニング用データを集めて指定してチューニング、、を行うことになります。今回は為替計算を正しく行ってもらうことが目的なので、以下のようなデータを用意してみました：

[
  {
    "input": "1 ドルは 140 円です。 10 ドルは何円ですか？",
    "output": "1 ドルが 140 円なので、 10 ドルは約 140 * 10 = 1400 円です。"
  },
  {
    "input": "1 ドルは 140 円です。 20 ドルは何円ですか？",
    "output": "1 ドルが 140 円なので、 20 ドルは約 140 * 20 = 2800 円です。"
  },
  {
    "input": "1 ドルは 140 円です。 30 ドルは何円ですか？",
    "output": "1 ドルが 140 円なので、 30 ドルは約 140 * 30 = 4200 円です。"
  },
  :
  :

為替のレートを与えた時の「〇〇ドルは何円ですか？」という質問に答えられるようにするためのインプットとアウトプットのペアを大量に用意してチューニングし、実際のレートと質問を与えた時に（プロンプトで工夫しなくても）正しく答えることができるようにするための JSON 配列型の学習データを用意しました（実際には異なる計算もできるような例が含まれています。興味ある方は全部見てください）。

この架空のデータファイル（training-fx.json）をトレーニングデータとして公開することにします。LLM チューニングを体験する目的で、直接ダウンロードして使っていただいても構いません：
https://raw.githubusercontent.com/dotnsf/watsonx.ai-tuning/refs/heads/main/training-fx.json

そして Tuning Studio 画面の「参照」ボタンから、用意した training-fx.json ファイルを指定してアップロードします：



アップロードが完了すると「トレーニングデータの追加」の準備はできたことになります：



必要であれば「パラメーターの構成」ボタンをクリックして、チューニング時のパラメータを変更します：



パラメータを調整する画面が表示されます。必要に応じてパラメータを調整して「保存」します（必要なければ「キャンセル」します）：



最後にプロンプトの初期化内容を指示します。今回の場合は「与えられた条件から計算して額を答えてほしい」ことが分かっているので、初期化方法に「テキスト」、その内容には「以下は入力された質問に対する出力のサンプルです。サンプルと同様に与えられた質問に対する答を計算して簡潔に答えてください。」と入力します：



更に下にスクロールするとタスクの種類を指定する箇所があります。今回の例では「計算して答える」という「プロンプトに含まれない情報を生成する」ものなので、「生成」を選択します。　ここまで選択すると画面右下の「チューニングの開始」ボタンが有効になります。　ここをクリックしてチューニングを開始します：



このような画面になってチューニングが開始されます。ここからはチューニングが完了するまで、ひたすら待ちます：



チューニングが完了すると以下のような画面になります（先ほどのデータでは 16 分でした）。一般的には（表示されている）損失関数は右肩下がりになるのがいいと言われていますが、ちょっと



このチューニングした LLM を実際に使えるようにするにはデプロイする必要があります。画面下部（見えない場合は下にスクロール）の「新規デプロイメント」をクリックします：



名前（必須）と説明等を入力します。続きがあるので下にスクロールします：



展開コンテナは「このプロジェクト」を選択し、デプロイメント・サービス提供社名を（適当に）入力します。最後に「作成」ボタンをクリックしてデプロイを開始します：



少し待つと以下のような画面に切り替わります。このデプロイメントのリンクをクリックします：



デプロイメントの様子が分かります。デプロイメントが完了するまで少し時間がかかります。ステータスが「進行中」から「デプロイ済み」になるまで待ちます：



「デプロイ済み」になれば、チューニングした LLM はデプロイされ、実際に使える状態になったことを意味します：



【チューニング済み LLM を使う】
チューニングされた LLM がデプロイ済みになっていれば、外部からの API 呼び出しや、プロンプトラボなどから実際に使うことができます。先ほどのページの「API リファレンス」タブにはエンドポイント URL や cURL コマンドなどで使う場合のコマンドが表示されています。　ここではプロンプトラボから試す方法を紹介します。といっても「Prompt Lab で開く」ボタンをクリックするだけです：



するとプロンプトラボの画面が表示されます。この時、LLM は自分がチューニングしたモデルになっていることを確認します：


基盤モデルの一覧を表示した場合でも、このチューニング済みモデルが表示され、選択可能になっていることを確認してください：



改めてプロンプトラボを「フリーフォーム」で、LLM は自分がチューニングしてデプロイしたモデルを選択した状態にします：



そしてプロンプトとして以下のように入力します（このブログを書いている最中の実際のドル円相場の数字です）：

与えられた質問に対する答を計算して簡潔に答えてください。

1 ドルは 144.3 円です。 10 ドルは何円ですか？

もともとは何も計算してくれなかったプロンプトです。これを「生成」します：



・・・うーん、まだ 100 点とはいえないか。想定していた答とは違いますが、とりあえず計算はしてくれるようになりました。このプロンプトはチューニング前だと正しい数値を返すこともなかったものなので、いくらかの進展はあったと言えるんじゃないかと思いますが、うーん。。。

まあ、今回のチューニングデータは説明目的でサイズもまだまだ小さく、サンプルとしては不十分であった可能性は高いものです。もうちょっと色んなパターンに対応したり、数を増やしたりすることで制度上がるんだろうか？　この辺りはまだ未検証です。　ただ Watsonx.AI の LLM チューニングがどういったものなのか、そのための Tuning Studio をどう使うのか、という点ではある程度理解しやすいものではなかったか、と思っています。


【チューニングのコスト】
Watsonx.ai の LLM を Tuningu Studio でチューニングする際のコストも気になるところです。チューニングコストは与えるサンプルデータ量によっても変わるので事前に具体的なコストを予測計算するのは難しいのですが、以下にチューニングコストの考え方・計算方法についてまとめておきます。　

なお、以下の説明に使っている数字部分は 2024 年 9 月 25 日時点のものであることに注意してください。実際にコストを見積もる際には自分の契約しているプランや為替レートを含めた最新情報・最新価格を参照して再度計算するべきであることに留意ください。

まず覚えておいていただきたいことは「LLM チューニングの価格は CUH(Capacity Unit / Hour : 容量単位時間）によって決まる」ということです。

要は、
　１　どのようなスペックのサーバーを
　２　どのくらいの時間使って
チューニングしたか、という計算能力と計算量によって計算で決まる、という意味です。

どのようなスペックのサーバーを使って LLM チューニングしているか、という情報はこちらを参照して調べます：
https://dataplatform.cloud.ibm.com/docs/content/wsj/getting-started/wml-plans.html?context=wx&audience=wdp#cuh-metering


この中の「資産タイプ別 CUH 消費率」という項目内の「基礎モデルの調整実験（watsonxのみ）」と書かれた所が LLM チューニング時に使われるサーバーで、その CUH は（2024/09/25 時点で）43 となっています：



この 43 というのが（１時間の）チューニング時に利用されるサーバーのスペックを表す数字だと思ってください。この数字だけだとどんなスペックか想像しにくいですが、他の数字よりもかなり大きめの数字になっているので、それなりのサーバーが使われる、という理解でいいと思います。　ただあくまで１時間の数字です。チューニングに必要な時間が 30 分ならこの半分に、２時間ならこの倍になります。

そして、1 CUH あたりでいくらかかるのか、というのは Watsonx.AI 作成時の Watson Machine Learning サービスインスタンスのプランによって変わります。例えば Essential Plan の場合、１CUH あたりの額は（2024/09/25 時点で）75.7146 円となっています：



これらの数値より、仮にチューニングにかかる時間が１時間であったとすると、そのチューニングコス
　　1(H) * 43(CUH) * 75.7146 (JPY) = 3255.7278 （円）
ということになります。　あくまで 2024/09/25 時点の Essential Plan での価格および為替レートに基づいた１時間あたりの数字なので、実際の価格は自分のプラン、チューニングデータ量に合わせて再度計算が必要になる点に注意してください。

そして、では今回の（上述のチューニングデータを使っての）チューニングでどれだけの CUH を消費したか、という数値はチューニング後のプロジェクト画面に反映されています。私が実際に上記データを使ってチューニングした結果は以下のようになっていました：



11.8 CUH とのことでした（あくまで私が試した時の結果です）。これはつまり、
　11.8(CUH) * 75.7146 (JPY) = 893.43228（円）
ということになりました。　実際、このチューニングでは不十分だったと思っているので、あまり参考にならない数字かもしれませんが、「試しに１回軽くチューニングすると千円くらい」というのが１つの目安に・・・なりますかね？　繰り返しますが、あくまで目安の数字であることに注意してください。


【まとめ】
今の時点でまだあまり外部情報のない Tuningu Studio を使ってみました。2024-09-25 現在ではプロンプト・チューニングだけが提供されている状況で、「膨大なトークン数を消費してコストがかさむのを防ぐためのチューニング」が主目的になるものと考えられます。　こういうコスト削減方法もあるんですねー。

タグ ：

#ibm

#cloud

#watsonx

#watsonx.ai

#tuning

#studio

Node-RED 環境に標準で提供されている標準ノードの１つに template ノードがあります（下図赤枠）：



この template ノードは次のノードへ送る msg.payload （など）の値をテンプレートをベースに、一部を変数化して生成するノードです。HTML の一部を変数化して扱いたいとか、最近だと生成 AI のプロンプトを作成する際のテンプレートとしても便利に使えるので、今後活用の機会があるかもしれません。

ところで、この template ノードの標準記法として設定されているのが mastache （「マスタッシュ」）記法というものです：



この mastache 記法でどんなことができるのか調べてみました。以下で３つの方法を紹介しますが、とりあえず以下のようなシンプルなフローを作っておきます。inject -> function -> template -> debug の各ノードを一直線につないだだけのシンプルなフローです：



このうち inject ノードは単に処理をスタートさせるためのスイッチとしてだけ使うのであまり意味はありません（このノードの左にある部分をクリックするとフローが実行されます）。また最後の debug ノードはデフォルトで msg.payload の内容を画面右側のデバッグウィンドウに出力するのですが、これもデフォルトのままで大丈夫。つまりこの２つは特に設定変更しません。

そして２つ目の function ノードをダブルクリックして編集状態にして、以下の内容を記載します：

msg = {
  payload: {
    value0: "0",
    value1: 1,
    value2: "<b>2.0</b>"
  },
  value1: 1,
  value2: 2.2,
  array1: [ 2, 3, 5, 7, 11, 13, 17, 19 ],
  array2: [
    { name: "apple" },
    { name: "orange" },
    { name: "grape" }
  ]
}
return msg;

この３つのノード（inject, function, debug）はこの後特に変更しません。　以下で mastache 記法にちうて３つの方法を紹介しますが、全て上述の内容の msg を受け取る仮定として、 template ノードのみ変更して動作を確認していきます。


【テンプレート内に１つの値を指定する場合】
まずはシンプルな例を紹介します。template ノードを開き、以下の内容を記入してください：

payload.value0 = {{payload.value0}}
payload.value1 = {{payload.value1}}
payload.value2 = {{payload.value2}}

value1 = {{value1}}
value2 = {{value2}}

そしてこの状態でフローをデプロイし、inject ノードをクリックしてフローを実行します。すると画面右のデバッグペインには以下のように表示されます：

payload.value0 = 0
payload.value1 = 1
payload.value2 = <b>2.0</b>

value1 = 1
value2 = 2.2

msg オブジェクトの一部が変数としてテンプレートの中を埋めて出力されていることがわかると思います。普通の変数であれば {{ と }} でメッセージ内の値を指定することで表示できそうですね。

ちょっと気になる点があるとすれば "payload.value2" の値でしょうか。そのまま HTML で使えるように一部文字がエスケープされた状態になっています。このエスケープが不要である場合は {{ と }} ではなく、 {{{ と }}} で囲うようにするだけです。試しに template の内容を以下のように書き換えてみます：

payload.value0 = {{payload.value0}}
payload.value1 = {{payload.value1}}
payload.value2 = {{{payload.value2}}}

value1 = {{value1}}
value2 = {{value2}}

そしてフローを再デプロイし、inject ノードで処理を実行すると、今度は文字列がエスケープされずにそのまま表示されます：



【テンプレート内に配列値を指定する場合】
テンプレート内に１つ１つの値を個別に直接指定する方法は上述のような方法でした。では「配列」を扱う場合、テンプレート内にどのように記述するべきでしょうか？　今回の場合だと msg.array1 が配列になっているので、これをどのように列挙するか？　というケースを考えます。

その答がこれです。template の内容を以下のように変更します：

{{#array1}}
{{.}}
{{/array1}}

この template でデプロイして inject ノードをクリックして処理が実行されると、デバッグ画面に下図のような結果（msg.array1 の配列の内容が１行ずつ表示）が出力されます：



このようにテンプレート内で {{#配列名}} と {{/配列名}} で括り、その中で {{.}} と指定すると配列内の各要素が表示されました。


【テンプレート内に JSON 配列を指定する場合】
最後にテンプレート内で「 JSON オブジェクトの配列」を扱う場合を考えます。　今回の場合だと msg.array2 が JSON 配列になっているので、これをどのように列挙するか？　というケースを考えます。

その答がこれです。template の内容を以下のように変更します：

{{#array2}}
{{name}}
{{/array2}}

この template でデプロイして inject ノードをクリックして処理が実行されると、デバッグ画面に下図のような結果（msg.array2 の JSON 配列の name 要素が１行ずつ表示）が出力されます：



このようにテンプレート内で {{#配列名}} と {{/配列名}} で括り、その中で {{要素名}} と指定すると JSON 配列内の特定の要素を表示できました。


【まとめ】
Node-RED のテンプレートとしての template ノードはあまり使う機会がなかったのですが、うまく使うとプロンプトエンジニアリングのプロンプト作り（サンプル作り）のテンプレートに使えそうだな、という印象を受けています。この方法でサンプルを列挙するようなプロンプトを生成して、その結果を拙作の watsonxai ノード（https://flows.nodered.org/node/node-red-contrib-dotnsf-watsonxai）に渡して問い合わせする、といった使い方ができるのではないかと考えています：



mastache 記法はここで紹介した内容以外にもいろいろな記法があります。詳しくは以下のページを参照ください。とてもわかりやすく、自分の理解にも使わせていただいたページです。


【参照】
mustache記法について簡単にまとめてみた

タグ ：

#mastache

#template

#nodered

#node-red