Ajustar modelos usando implantações de API sem servidor no Microsoft Foundry (clássico)

Localizar modelos com suporte de ajuste fino

O catálogo de modelos do Foundry oferece suporte para refinamento de vários tipos de modelos, incluindo conclusões de conversas e geração de texto. Para obter uma lista de modelos e regiões que dão suporte ao ajuste fino, consulte a disponibilidade da região para modelos em APIs sem servidor.

As tarefas de ajuste fino estão disponíveis somente para usuários cuja assinatura Azure pertence a uma conta de cobrança em uma região em que o provedor de modelo disponibiliza a oferta. Se a oferta estiver disponível na região relevante, o usuário deverá ter um recurso de projeto na região Azure em que o modelo está disponível para implantação ou ajuste fino, conforme aplicável.

Acesse o portal do Foundry para exibir todos os modelos que contêm suporte de ajuste fino:

1. Entre no Microsoft Foundry. Certifique-se de que o alternador New Foundry está desativado. Essas etapas se referem ao Foundry (clássico).

   

2. Se você ainda não estiver em seu projeto, selecione-o.

3. Navegue até o catálogo de modelos.

4. Selecione o filtro tarefas de ajuste fino.

   

5. Selecione Tudo ou selecione uma tarefa específica.

Preparar dados para ajuste fino

Prepare seus dados de treinamento e validação para ajustar seu modelo. Seus dados de treinamento e validação consistem em exemplos de entrada e saída de como você gostaria que o modelo fosse executado.

Verifique se todos os seus exemplos de treinamento seguem o formato esperado para inferência. Para ajustar os modelos com eficiência, garanta um conjunto de dados diversificado mantendo o equilíbrio de dados, incluindo vários cenários, e refinando periodicamente dados de treinamento para se alinhar às expectativas do mundo real. Essas ações, em última análise, levam a respostas de modelo mais precisas e equilibradas.

    {"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Is Xbox better than PlayStation?"}, {"role": "assistant", "content": "I apologize, but I cannot provide personal opinions. My primary job is to assist you with any issues related to your Xbox device. Do you have any Xbox-related issues that need addressing?"}]}
    {"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Can I play PC games on my Xbox?"}, {"role": "assistant", "content": "While Xbox consoles don't natively support PC games, they can play an array of Xbox games, many of which are also available on PC. Can I assist you with finding games compatible with your Xbox device?"}]}
    {"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "I'm having trouble connecting my Xbox to the Wi-Fi."}, {"role": "assistant", "content": "No worries, let's go through the network settings on your Xbox. Can you please tell me what happens when you try to connect it to the Wi-Fi?"}]}

{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}

Usar o assistente de ajuste fino de modelo

O portal Foundry fornece um assistente personalizado para criar e treinar interativamente um modelo otimizado para o seu recurso do Azure.

Selecione o modelo base

1. Selecione Ajuste fino no menu da barra lateral e escolha + Ajustar modelo.
2. Selecione o modelo que você deseja ajustar na lista em modelos base e selecione Avançar.

Escolha seus dados de treinamento

A próxima etapa é escolher dados de treinamento preparados existentes ou carregar novos dados de treinamento preparados para usar ao personalizar seu modelo. O painel de dados Treinamento exibe todos os conjuntos de dados existentes e carregados anteriormente e também fornece opções para carregar novos dados de treinamento.

Selecione + Adicionar dados de treinamento.

• Se os dados de treinamento já estiverem carregados no serviço, selecione Arquivos existentes neste recurso.
  • Selecione o arquivo na lista suspensa mostrada.
• Para carregar novos dados de treinamento, use uma das seguintes opções:
  • Selecione Carregar arquivos para carregar dados de treinamento de um arquivo local.
  • Selecione Azure blob ou outros locais da Web compartilhados para importar dados de treinamento de Azure Blob ou outro local da Web compartilhado.
• Para usar um conjunto de dados pronto-para-uso para afinamento rápido, escolha na lista em Selecionar dados.

Para arquivos de dados grandes, recomendamos que você importe de um repositório de Blobs Azure. Para obter mais informações sobre Armazenamento de Blobs do Azure, consulte O que é Armazenamento de Blobs do Azure?

Escolha seus dados de validação

A próxima etapa fornece opções para configurar o modelo para usar dados de validação no processo de treinamento. Se você não quiser usar dados de validação, escolha Enviar para continuar para as opções avançadas do modelo. Caso contrário, se você tiver um conjunto de dados de validação, escolha os dados de validação preparados existentes ou carregue novos dados de validação preparados para usar ao personalizar seu modelo.

Selecione + Adicionar dados de validação. O painel de dados validação exibe todos os conjuntos de dados de treinamento e validação existentes carregados anteriormente e fornece opções pelas quais você pode carregar novos dados de validação.

• Se os dados de validação já estiverem carregados no serviço, selecione Arquivos existentes neste recurso.
  • Selecione o arquivo na lista mostrada no painel de dados de validação.
• Para carregar novos dados de validação, use uma das seguintes opções:
  • Selecione Carregar arquivos para carregar dados de validação de um arquivo local.
  • Selecione Azure blob ou outros locais da Web compartilhados para importar dados de validação de Azure Blob ou outro local da Web compartilhado.

Para arquivos de dados grandes, recomendamos que você importe de um repositório de Blobs Azure. Arquivos grandes podem se tornar instáveis quando carregados por meio de formulários de várias partes porque as solicitações são atômicas e não podem ser repetidas ou retomadas.

Configurar parâmetros de tarefa

O assistente de ajuste fino de modelo mostra os parâmetros para treinar seu modelo ajustado no painel de parâmetros de tarefa. Os seguintes parâmetros estão disponíveis:

Selecione Padrão para usar os valores padrão para o trabalho de ajuste fino ou selecione Personalizar para exibir e editar os valores do hiperparâmetro. Quando os padrões são selecionados, determinamos o valor correto algoritmicamente com base em seus dados de treinamento.

Depois de configurar as opções avançadas, selecione Enviar.

Verificar o status do seu modelo personalizado

A guia de Ajuste Fino exibe informações sobre seu modelo personalizado. A guia inclui informações sobre o status e a ID do trabalho ajustado para seu modelo personalizado. Quando o trabalho for concluído, a guia exibirá a ID do arquivo de resultado. Talvez seja necessário selecionar Atualizar para ver um status atualizado para o trabalho de treinamento de modelo.

Depois de iniciar um trabalho de ajuste fino, pode levar algum tempo para ser concluído. Seu trabalho pode estar na fila atrás de outros trabalhos no sistema. Treinar seu modelo pode levar minutos ou horas, dependendo do tamanho do modelo e do conjunto de dados. Aqui estão algumas das tarefas a serem concluídas na guia Modelos :

• Verifique o status do trabalho de ajuste fino para seu modelo personalizado na coluna Status da guia Modelos Personalizados .
• Na coluna nome do modelo, selecione o nome do modelo para exibir mais informações sobre o modelo personalizado. Você pode ver o status do trabalho de ajuste fino, resultados de treinamentos, eventos de treinamento e hiperparâmetros usados neste trabalho.
• Selecione Atualizar para atualizar as informações na página.

Cenários empresariais com suporte para ajuste fino

Há suporte para vários cenários empresariais para ajuste fino de implantação de API sem servidor. A tabela a seguir descreve as configurações com suporte para a autenticação e a rede de armazenamento do usuário para garantir uma operação tranquila em cenários empresariais:

Os cenários anteriores também devem funcionar em um workspace de rede virtual gerenciado. Para saber como configurar o hub foundry de rede virtual gerenciada, confira Como configurar uma rede gerenciada para hubs do Foundry.

O uso de CMKs (chaves gerenciadas pelo cliente) não é suportado como um cenário empresarial com ajuste fino na implantação de API sem servidor.

Dificuldades no ajuste fino devido a configurações de rede exclusivas no espaço de trabalho e no armazenamento geralmente apontam para um problema de configuração de rede.

Implantar um modelo refinado

Depois que o trabalho de ajuste fino estiver concluído com sucesso, implante o modelo personalizado na aba Ajuste fino. Você deve implantar seu modelo personalizado para que ele esteja disponível para chamadas de conclusão.

A caixa de diálogo Implantar modelo é aberta. Na caixa de diálogo, insira o nome da Implantação e selecione Implantar para iniciar a implantação do modelo personalizado.

Você também pode implantar um modelo ajustado por meio da guia Modelos + pontos de extremidade, clicando no botão Implantar modelo e depois em Implantar modelo ajustado na lista suspensa.

Em seguida, selecione o modelo ajustado que você deseja implantar e selecione Implantar.

Implantação entre regiões

O ajuste fino permite a implantação de um modelo ajustado finamente em uma região diferente daquela onde o modelo foi ajustado finamente originalmente. Você também pode implantar em uma assinatura ou região diferente.

As únicas limitações são que a nova região também deve dar suporte ao ajuste fino e, ao implantar a assinatura cruzada, a conta que gera o token de autorização para a implantação deve ter acesso às assinaturas de origem e de destino.

A implantação cruzada entre assinaturas ou regiões pode ser realizada por meio de Python.

Usar um modelo personalizado implantado

Após a implantação do modelo personalizado, você pode usá-lo como qualquer outro modelo implantado. Você pode usar o Playgrounds no portal Foundry para experimentar sua nova implantação. Você pode continuar a usar os mesmos parâmetros com seu modelo personalizado, como temperatura e max_tokens, como você pode com outros modelos implantados.

Limpar seus modelos afinados

Você pode excluir um modelo ajustado da lista de modelos de ajuste fino no Foundry ou na página de detalhes do modelo. Para excluir o modelo ajustado da página de Fine-tuning,

1. Selecione Ajuste fino no menu da barra lateral em seu projeto do Foundry.
2. Selecione o botão Excluir para excluir o modelo ajustado.

Criar um cliente para consumir o modelo

As seções a seguir explicam como ajustar um modelo no Python. Para encontrar um exemplo de notebook desse código, consulte Fine-tuning LLM com o modelo como um serviço.

1. Instale dependências para começar a ajustar seu modelo.

%pip install azure-ai-ml
%pip install azure-identity

%pip install mlflow
%pip install azureml-mlflow

1. Crie o programa cliente para consumir o modelo. O código a seguir usa uma URL de ponto de extremidade e uma chave que são armazenadas em variáveis de ambiente. Substitua <SUBSCRIPTION_ID>, <RESOURCE_GROUP_NAME> e <WORKSPACE_NAME> por seus próprios valores.

from azure.ai.ml import MLClient
from azure.identity import (
    DefaultAzureCredential,
    InteractiveBrowserCredential,
)

try:
    credential = DefaultAzureCredential()
    credential.get_token("https://management.azure.com/.default")
except Exception as ex:
    credential = InteractiveBrowserCredential()

try:
    workspace_ml_client = MLClient.from_config(credential=credential)
except:
    workspace_ml_client = MLClient(
        credential,
        subscription_id="<SUBSCRIPTION_ID>",
        resource_group_name="<RESOURCE_GROUP_NAME>",
        workspace_name="<PROJECT_NAME OR WORKSPACE_NAME>",
    )

# The models, fine tuning pipelines and environments are available in various AzureML system registries,
# Example: Phi family of models are in "azureml", Llama family of models are in "azureml-meta" registry.
registry_ml_client = MLClient(credential, registry_name="azureml")

# Get AzureML workspace object.
workspace = workspace_ml_client._workspaces.get(workspace_ml_client.workspace_name)
workspace.id

Localizar modelos com suporte de ajuste fino

O catálogo de modelos do Foundry oferece suporte de ajuste fino para vários tipos de modelos, incluindo conclusões de chat e geração de texto. Para obter uma lista de modelos e regiões que dão suporte ao ajuste fino, consulte a disponibilidade de região para modelos em APIs sem servidor.

As tarefas de ajuste fino estão disponíveis somente para usuários cuja assinatura do Azure pertence a uma conta de cobrança em uma região onde o provedor de modelo disponibiliza a oferta. Se a oferta estiver disponível na região relevante, o usuário deverá ter um recurso de projeto na região Azure em que o modelo está disponível para implantação ou ajuste fino, conforme aplicável.

Este exemplo usa um modelo Phi-4-mini-instruct . Neste trecho de código, a propriedade de ID do modelo é passada como entrada para o trabalho de afinamento do modelo. Isso também está disponível como o campo ID do ativo na página de detalhes do modelo no catálogo de modelos do Foundry.

model_name = "Phi-4-mini-instruct"
model_to_finetune = registry_ml_client.models.get(model_name, label="latest")
print(
    "\n\nUsing model name: {0}, version: {1}, id: {2} for fine tuning".format(
        model_to_finetune.name, model_to_finetune.version, model_to_finetune.id
    )
)

Preparar dados para ajuste fino

Prepare seus dados de treinamento e validação para ajustar seu modelo. Seus dados de treinamento e validação consistem em exemplos de entrada e saída de como você gostaria que o modelo fosse executado.

Verifique se todos os seus exemplos de treinamento seguem o formato esperado para inferência. Para ajustar os modelos com eficiência, garanta um conjunto de dados diversificado mantendo o equilíbrio de dados, incluindo vários cenários, e refinando periodicamente dados de treinamento para se alinhar às expectativas do mundo real. Essas ações, em última análise, levam a respostas de modelo mais precisas e equilibradas.

    {"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Is Xbox better than PlayStation?"}, {"role": "assistant", "content": "I apologize, but I cannot provide personal opinions. My primary job is to assist you with any issues related to your Xbox device. Do you have any Xbox-related issues that need addressing?"}]}
    {"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Can I play PC games on my Xbox?"}, {"role": "assistant", "content": "While Xbox consoles don't natively support PC games, they can play an array of Xbox games, many of which are also available on PC. Can I assist you with finding games compatible with your Xbox device?"}]}
    {"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "I'm having trouble connecting my Xbox to the Wi-Fi."}, {"role": "assistant", "content": "No worries, let's go through the network settings on your Xbox. Can you please tell me what happens when you try to connect it to the Wi-Fi?"}]}

{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}

Criar entradas de dados de treinamento

Este snippet de código mostra como definir um conjunto de dados de treinamento.

from azure.ai.ml.constants import AssetTypes
from azure.ai.ml.entities import Data

dataset_version = "1"
train_dataset_name = "chat_training_small"
try:
    train_data_asset = workspace_ml_client.data.get(
        train_dataset_name, version=dataset_version
    )
    print(f"Dataset {train_dataset_name} already exists")
except:
    print("creating dataset")
    train_data = Data(
        path=f"./train.jsonl",
        type=AssetTypes.URI_FILE,
        description="Training dataset",
        name=train_dataset_name,
        version="1",
    )
    train_data_asset = workspace_ml_client.data.create_or_update(train_data)

Criar dados de validação

A próxima etapa fornece opções para configurar o modelo para usar dados de validação no processo de treinamento. Se você não quiser usar dados de validação, ignore esta etapa e continue para a próxima seção. Caso contrário, se você tiver um conjunto de dados de validação, poderá escolher os dados de validação preparados existentes ou carregar novos dados de validação preparados para usar ao personalizar seu modelo.

from azure.ai.ml.entities import Data

dataset_version = "1"
validation_dataset_name = "chat_validation_small"
try:
    validation_data_asset = workspace_ml_client.data.get(
        validation_dataset_name, version=dataset_version
    )
    print(f"Dataset {validation_dataset_name} already exists")
except:
    print("creating dataset")
    validation_data = Data(
        path=f"./validation.jsonl",
        type=AssetTypes.URI_FILE,
        description="Validation dataset",
        name=validation_dataset_name,
        version="1",
    )
    validation_data_asset = workspace_ml_client.data.create_or_update(validation_data)

Criar assinatura do Marketplace para modelos de parceiro

Esta etapa é necessária para todos os modelos não Microsoft. Um exemplo de um modelo Microsoft é a família Phi de modelos.

model_id_to_subscribe = "/".join(model_to_finetune.id.split("/")[:-2])
print(model_id_to_subscribe)

normalized_model_name = model_name.replace(".", "-")

from azure.ai.ml.entities import MarketplaceSubscription

subscription_name = f"{normalized_model_name}-sub"

marketplace_subscription = MarketplaceSubscription(
    model_id=model_id_to_subscribe,
    name=subscription_name,
)

# note: this will throw exception if the subscription already exists or subscription is not required (for example, if the model is not in the marketplace like Phi family)
try:
    marketplace_subscription = (
        workspace_ml_client.marketplace_subscriptions.begin_create_or_update(
            marketplace_subscription
        ).result()
    )
except Exception as ex:
    print(ex)

Submeta o trabalho de ajuste fino usando o modelo e os dados como entradas

O seguinte conjunto de parâmetros é necessário para ajustar seu modelo.

• model: modelo base para ajustar
• training_data: dados de treinamento para ajustar o modelo base
• validation_data: dados de validação para ajustar o modelo base
• task: tarefa de ajuste fino a ser executada, por exemplo, CHAT_COMPLETION para trabalhos de ajuste fino de conclusão de chat
• outputs: nome do modelo registrado de saída

Os seguintes parâmetros são opcionais:

• hyperparameters: parâmetros que controlam o comportamento de ajuste fino em tempo de execução
• name: nome da tarefa de ajuste fino
• experiment_name: nome do experimento para a tarefa de ajuste fino
• display_name: nome de exibição da tarefa de ajuste fino

from azure.ai.ml.finetuning import FineTuningTaskType, create_finetuning_job
import uuid

guid = uuid.uuid4()
short_guid = str(guid)[:8]
display_name = f"{model_name}-display-name-{short_guid}-from-sdk"
name = f"{model_name}t-{short_guid}-from-sdk"
output_model_name_prefix = f"{model_name}-{short_guid}-from-sdk-finetuned"
experiment_name = f"{model_name}-from-sdk"

finetuning_job = create_finetuning_job(
    task=FineTuningTaskType.CHAT_COMPLETION,
    training_data=train_data_asset.id,
    validation_data=validation_data_asset.id,
    hyperparameters={
        "per_device_train_batch_size": "1",
        "learning_rate": "0.00002",
        "num_train_epochs": "1",
    },
    model=model_to_finetune.id,
    display_name=display_name,
    name=name,
    experiment_name=experiment_name,
    tags={"foo_tag": "bar"},
    properties={"my_property": "my_value"},
    output_model_name_prefix=output_model_name_prefix,

created_job = workspace_ml_client.jobs.create_or_update(finetuning_job)
workspace_ml_client.jobs.get(created_job.name)

status = workspace_ml_client.jobs.get(created_job.name).status

import time

while True:
    status = workspace_ml_client.jobs.get(created_job.name).status
    print(f"Current job status: {status}")
    if status in ["Failed", "Completed", "Canceled"]:
        print("Job has finished with status: {0}".format(status))
        break
    else:
        print("Job is still running. Checking again in 30 seconds.")
        time.sleep(30)

finetune_model_name = created_job.outputs["registered_model"]["name"]
finetune_model_name

Implantar um modelo refinado

Depois que o trabalho de ajuste fino for bem-sucedido, você poderá implantar o modelo personalizado.

# Deploy the model as a serverless endpoint

endpoint_name = f"{normalized_model_name}-ft-{short_guid}"  # Name must be unique
model_id = f"azureml://locations/{workspace.location}/workspaces/{workspace._workspace_id}/models/{finetune_model_name}/versions/1"

Cenários empresariais com suporte para ajuste fino

Há suporte para vários cenários empresariais para ajuste fino de implantação de API sem servidor. A tabela a seguir descreve as configurações com suporte para a autenticação e a rede de armazenamento do usuário para garantir uma operação tranquila em cenários empresariais:

Os cenários anteriores também devem funcionar em um workspace de rede virtual gerenciado. Para saber como configurar o hub foundry de rede virtual gerenciada, confira Como configurar uma rede gerenciada para hubs do Foundry.

O uso de CMKs (chaves gerenciadas pelo cliente) não é compatível em cenários empresariais que envolvam otimização de implantação de APIs sem servidor.

Problemas de otimização com configurações de rede exclusivas no workspace e no armazenamento geralmente indicam um problema na configuração de rede.

Implantação entre regiões

O ajuste fino dá suporte à implantação de um modelo ajustado para uma região diferente da qual o modelo foi ajustado originalmente. Você também pode implantar em uma assinatura ou região diferente.

As únicas limitações são que a nova região também deve dar suporte ao ajuste fino e, ao implantar a assinatura cruzada, a conta que gera o token de autorização para a implantação deve ter acesso às assinaturas de origem e de destino.

A implantação entre assinaturas ou regiões pode ser efetuada utilizando Python.

# Create Cross region FT deployment client
from azure.ai.ml.entities import ServerlessEndpoint
from azure.ai.ml import MLClient
from azure.identity import (
    DefaultAzureCredential,
    InteractiveBrowserCredential,
)

try:
    credential = DefaultAzureCredential()
    credential.get_token("https://management.azure.com/.default")
except Exception as ex:
    credential = InteractiveBrowserCredential()
try:
    workspace_ml_client = MLClient.from_config(credential=credential)
except:
    workspace_ml_client = MLClient(
        credential,
        subscription_id="<TARGET_SUBSCRIPTION_ID>",
        resource_group_name="<TARGET_RESOURCE_GROUP_NAME>",
        workspace_name="<TARGET_PROJECT_NAME>",
    )

workspace = workspace_ml_client._workspaces.get(workspace_ml_client.workspace_name)

workspace_region = workspace.location
model_to_finetune.tags
supported_regions = model_to_finetune.tags["maas-finetuning-deploy-regions"]
supported_regions
if workspace_region in supported_regions:
    print(f"Creating endpoint in the region:{workspace_region}")
    serverless_endpoint = ServerlessEndpoint(name=endpoint_name, model_id=model_id)
    created_endpoint = workspace_ml_client.serverless_endpoints.begin_create_or_update(
        serverless_endpoint
    ).result()
else:
    raise ValueError(
        f"For the model : {model_to_finetune}, the target region: {workspace_region} is not supported for deployment, the supported regions: {supported_regions}"
    )

Usar um modelo personalizado implantado

Após a implantação do modelo personalizado, você pode usá-lo como qualquer outro modelo implantado. Você pode continuar a usar os mesmos parâmetros com seu modelo personalizado, como temperature e max_tokens, como você pode com outros modelos implantados.

endpoint = workspace_ml_client.serverless_endpoints.get(endpoint_name)
endpoint_keys = workspace_ml_client.serverless_endpoints.get_keys(endpoint_name)
auth_key = endpoint_keys.primary_key

import requests

url = f"{endpoint.scoring_uri}/v1/chat/completions"

payload = {
    "max_tokens": 1024,
    "messages": [
        {
            "content": "This script is great so far. Can you add more dialogue between Amanda and Thierry to build up their chemistry and connection?",
            "role": "user",
        }
    ],
}
headers = {"Content-Type": "application/json", "Authorization": f"{auth_key}"}

response = requests.post(url, json=payload, headers=headers)

response.json()

Limpar seus modelos finamente ajustados

Depois de concluir o trabalho com seu modelo, execute o código a seguir para limpar seu modelo afinado.

workspace_ml_client.serverless_endpoints.begin_delete(endpoint_name).result()