〜のトレーニングモデル Red Hat AI Inference

生成されたデータを用いてモデルを学習させ、その後、モデルをテストして結果を確認します。トレーニングとは何かについて、詳しくはこちらをご覧ください。

ファインチューニングのために、設定情報やファイルをモデルに渡すことはできません。

Red Hat AI Inference モデルアラインメント、合成データの生成、および分類管理機能は非推奨となっており、2026年9月25日に削除される予定です。モデルのカスタマイズおよびアライメントのワークフローを継続するには、 OpenShift の「 Red Hat® OpenShift® AI On」へ移行してください。 Red Hat® OpenShift® のAIについて詳しくはこちら。

前提条件

分類体系を準備する
「 tar.gz 」というタクソノミーを、 Object Storage のバケットに追加してください。 CLI または UI を使用できます。
タクソノミーからデータを生成します。

コンソールを使用したモデルの調整

Red Hat AI Inference プロジェクト ページから、プロジェクトをクリックし、[ 整合されたモデル ] > [ 整列] の順に選択します。
モデルの英数字による名前を入力し、使用する学習データを選択してください。
（任意）：アライメント作業を開始する前に、提示された見積もり金額を確認してください。
[ 整列 ]をクリックします。状態は queued であり、次に running となります。状態が「 completed 」になるのを待ちます。この処理には数分から数時間かかる場合があります。アライメントが完了すると、「 Object Storage 」バケット内に、トラブルシューティング用のログが格納された「 trained_models 」ディレクトリが作成されます。

CLI を使用したモデルのトレーニング

使用するデータのIDを取得します。
```
ibmcloud ilab data list
```
生成されたデータを使用してモデルの学習を開始するには、このコマンドを実行してください。 IDをメモしておいてください。
```
ibmcloud ilab model train --name testmodel --data-id DATA_ID
```
データ生成の詳細を確認してください。モデルのIDを含めてください。状態は queued であり、次に running となります。状態が「 completed 」になるのを待ちます。この処理には数分から数時間かかる場合があります。状態が「 completed 」の場合、 Object Storage バケット内に、トラブルシューティング用のログが格納された「 trained_models 」ディレクトリが作成されます。
```
ibmcloud ilab model get --id MODEL_ID
```

オプション：状態が「 completed 」の場合、推定コストを算出するためのトークン推定値などのメトリクスを確認できます。

「 --output json 」オプションを指定した model get コマンドの例。

ibmcloud ilab model get --id daef9836-631f-4686-ad18-e0e6a0910f5d --output json

JSON出力の例

{
  "base_model": "granite-3.1-8b-starter-v2.1",
  "created_at": "2026-08-04T16:06:05.000Z",
  "data_id": "8b1433c0-e375-4b00-b36d-2ad00697014e",
  "id": "daef9836-631f-4686-ad18-e0e6a0910f5d",
  "last_signal_at": "2026-08-04T17:20:32.000Z",
  "model_metrics": {
    "mmlu": {
      "overall_average": 0.51,
      "scores": {
        "mmlu_abstract_algebra": 0.3,
        "mmlu_anatomy": 0.43,
        "mmlu_astronomy": 0.49
      }
    },
    "mt_bench": {
      "error_rate": 0.01,
      "overall_average": 6.86,
      "scores": {
        "turn_one": 7.25,
        "turn_two": 6.47
      }
    },
    "mt_bench_branch": {
      "error_rate": 0.01,
      "improvements": {
        "compositional_skills/STEM/math/time_series/qna.yaml": 8.67,
        "compositional_skills/extraction/invoice/csv/qna.yaml": 8.4
      },
      "no_change": {
        "compositional_skills/roleplay/explain_like_i_am/primary_schooler/qna.yaml": 0,
        "compositional_skills/writing/freeform/technical/proposal/qna.yaml": 0
      },
      "regressions": {
        "compositional_skills/extraction/inference/qualitative/sentiment/qna.yaml": -9,
        "compositional_skills/extraction/information/named_entities/places/qna.yaml": -9
      }
    },
    "tokens": {
      "training_phases": {}
    }
  },
  "name": "test",
  "state": "completed",
  "status": "completed",
  "taxonomy_id": "e62ccea5-97e6-4568-86bf-2f359987b115"
}

API を使用したモデルの学習

使用するデータのIDを取得します。

コマンドの例。

curl -X 'GET' \
  'https://us-east.instructlab.ibm.com/v1/data' \
  -H 'accept: application/json'

出力例。

{
  "data": [
    {
      "id": "add785e6-a8c3-4f5f-ab89-c506a3f115da",
      "name": "example-data-1",
      "state": "",
      "status": "queued",
      "created_at": "2024-10-23T02:58:50.000Z",
      "taxonomy_id": "202a03c4-dcf1-432a-82b7-abecb2e019f7",
      "last_signal_at": "2026-08-04T17:20:32.000Z"
    }
  ]
}

生成されたデータを使用してモデルの学習を開始するには、このコマンドを実行してください。 IDをメモしておいてください。

コマンドの例。

curl -X 'POST' \
  'https://us-east.instructlab.ibm.com/v1/models' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
  "name": "example-model-1",
  "data_id": "add785e6-a8c3-4f5f-ab89-c506a3f115da"
}'

出力例。

{
  "id": "baa8cfb5-e306-4e15-869d-735b74b1919d",
  "name": "example-model-1",
  "state": "",
  "status": "queued",
  "created_at": "2024-10-23T02:58:50.000Z",
  "last_signal_at": "2026-08-04T17:20:32.000Z",
  "data_id": "add785e6-a8c3-4f5f-ab89-c506a3f115da",
  "base_model": "granite-7b",
  "taxonomy_id": "202a03c4-dcf1-432a-82b7-abecb2e019f7",
  "model_metrics": {
    "mmlu": {
      "overall_average": 0.3,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mmlu_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mt_bench": {
      "overall_average": 0.8,
      "error_rate": 0.6,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mt_bench_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    }
  }
}

データ生成の詳細を確認してください。モデルのIDを含めてください。状態は queued であり、次に running となります。状態が「 completed 」になるのを待ちます。この処理には数分から数時間かかる場合があります。

コマンドの例。

curl -X 'GET' \
  'https://us-east.instructlab.ibm.com/v1/models/baa8cfb5-e306-4e15-869d-735b74b1919d' \
  -H 'accept: application/json'

出力例。

{
  "id": "baa8cfb5-e306-4e15-869d-735b74b1919d",
  "name": "example-model-1",
  "state": "",
  "status": "queued",
  "created_at": "2024-10-23T02:58:50.000Z",
  "last_signal_at": "2026-08-04T17:20:32.000Z",
  "data_id": "add785e6-a8c3-4f5f-ab89-c506a3f115da",
  "base_model": "granite-7b",
  "taxonomy_id": "202a03c4-dcf1-432a-82b7-abecb2e019f7",
  "model_metrics": {
    "mmlu": {
      "overall_average": 0.3,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mmlu_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp3": 3,
        "additionalProp2": 2
      }
    },
    "mt_bench": {
      "overall_average": 0.8,
      "error_rate": 0.6,
      "scores": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    },
    "mt_bench_branch": {
      "error_rate": 0.4,
      "improvements": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "regressions": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      },
      "no_change": {
        "additionalProp1": 1,
        "additionalProp2": 2,
        "additionalProp3": 3
      }
    }
  }
}

状態が「 completed 」の場合、 Object Storage バケット内に、トラブルシューティング用のログが格納された「 trained_models 」ディレクトリが作成されます。

トレーニング終了後、私の Object Storage のバケットには何が含まれていますか？

モデルのトレーニングが完了すると、 Object Storage バケット内に「 trained models 」ディレクトリが作成され、その中に以下のファイルが含まれます。

Artifacts: これらのファイルには、フェーズ1およびフェーズ2のチェックポイントデータと、各エポックごとのモデルが含まれています。
Eval: これらのファイルには、 mmlu、 mmlu_branch、 mt_bench 、および mt_bench_branch の各ベンチマークの評価指標が含まれています。
Logs: これらのファイルには、 Red Hat AI Inference の実行ログおよびシステムの詳細情報が含まれています。
Model: これらのファイルには、 safetensors 形式で出力された最終的なモデルが含まれています。このディレクトリ内の内容は、モデルによって使用されます。

次のステップ

オプション：モデルをデプロイすることができます。