Pular para o conteúdo principal

​
Seu Primeiro Modelo de IA

Vamos treinar um modelo simples de classificação de texto que pode detectar sentimento positivo vs negativo em texto. Este tutorial leva cerca de 10 minutos e funciona em qualquer computador.
Novo no AI Training? Confira o Guia do Assistente Interativo para um tutorial mais detalhado, incluindo como escolher modelos, entender tamanhos de datasets e usar comandos do assistente.

​
Antes de Começar

Certifique-se de ter instalado o AI Training. Você deve conseguir executar: 
aitraining --version
If you haven’t installed it yet, the quickest way is: 
# Install uv if you don't have it
curl -LsSf https://astral.sh/uv/install.sh | sh  # Mac/Linux
# or
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"  # Windows

# Then install AI Training
uv pip install aitraining torch torchvision torchaudio

​
Escolha Seu Caminho

Vamos mostrar a mesma tarefa de duas formas. Escolha a que você se sente confortável:
  • Assistente Interativo
  • Linha de Comando
  • API Python

​
Usando o Assistente Interativo

AITraining Interactive Wizard

​
1. Inicie o Assistente

Abra seu terminal e execute:
aitraining
O assistente interativo guia você através da configuração.

​
2. Selecione o Tipo de Tarefa

Escolha Text Classification no menu.

​
3. Prepare Seus Dados

Crie um arquivo CSV simples chamado reviews.csv:
text,label
"This product is amazing! Best purchase ever.",positive
"Terrible quality. Complete waste of money.",negative
"Great service and fast delivery.",positive
"Broken on arrival. Very disappointed.",negative
"Exceeded my expectations!",positive
"Would not recommend to anyone.",negative

​
4. Siga os Prompts

O assistente vai perguntar:
  • Data path: Digite ./reviews.csv
  • Model: Escolha bert-base-uncased (ou escolha dos modelos em tendência)
  • Text column: Digite text
  • Label column: Digite label
  • Output directory: Digite ./my-sentiment-model
Comandos do Assistente:
  • :help - Obter ajuda para a etapa atual
  • :back - Voltar para a etapa anterior
  • :exit - Cancelar e sair
  • :search <query> - Buscar modelos/datasets
  • :sort <option> - Ordenar por tendência, downloads, curtidas

​
5. Inicie o Treinamento

Confirme suas configurações e o treinamento começa. Acompanhe o progresso no terminal.

​
6. Teste com Chat

Após o treinamento, teste seu modelo:
aitraining chat
Abra seu navegador em localhost:7860 e teste seu modelo.

​
O Que Aconteceu?

Você conseguiu com sucesso:
  1. Preparar dados - Criou exemplos para a IA aprender
  2. Configurar treinamento - Selecionou um modelo e configurações
  3. Treinar um modelo - A IA aprendeu padrões dos seus exemplos
  4. Testar previsões - Verificou que o modelo funciona em novo texto
  5. Salvar o modelo - Pode usar a qualquer momento sem retreinar

​
Entendendo os Resultados

Seu modelo aprendeu a:
  • Reconhecer palavras e frases positivas
  • Identificar padrões de sentimento negativo
  • Fazer previsões em texto que não viu antes
Com apenas 6 exemplos, você obteve um modelo funcional. Com mais dados (centenas ou milhares de exemplos), a precisão melhora significativamente.

​
Próximos Passos Comuns

Adicionar Mais Dados

Mais exemplos = melhor precisão. Tente adicionar 50-100 exemplos por categoria.

Experimentar Diferentes Modelos

Experimente diferentes modelos base como distilbert-base-uncased (mais rápido) ou roberta-base (mais preciso).

Ajustar Configurações

Ajuste epochs, learning rate e batch size para melhores resultados.

Implantar Seu Modelo

Aprenda como servir seu modelo como uma API ou integrá-lo em aplicações.

​
Experimente Outras Tarefas

Agora que você entende o básico, experimente estas:
  • Geração de Linguagem - Treine um chatbot com exemplos de conversação
  • Classificação de Imagens - Organize imagens em categorias
  • Reconhecimento de Entidades Nomeadas - Extraia nomes, lugares, datas de texto
  • Tradução - Converta entre idiomas

​
Solução de Problemas

  • Reduza batch size para 4 ou 2
  • Use um modelo menor como distilbert
  • Certifique-se de estar usando GPU se disponível
  • Adicione mais exemplos de treinamento
  • Certifique-se de que os rótulos são consistentes
  • Tente treinar por mais epochs
  • Verifique se seus dados estão balanceados
  • Reduza batch size
  • Use um modelo menor
  • Habilite gradient checkpointing
  • Use LoRA para treinamento eficiente

​
O Que Vem Depois?

Dica Pro: Comece com o assistente interativo (aitraining) para entender os conceitos, depois mude para CLI para automação, e teste seus modelos com a interface Chat (aitraining chat).