Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Personalización del modelo para mejorar su rendimiento según su caso de uso
La personalización del modelo es el proceso de proporcionar datos de entrenamiento a un modelo para mejorar su rendimiento en casos de uso específicos. Puede personalizar un modelo fundacional de Amazon Bedrock para mejorar su rendimiento y crear una mejor experiencia para el cliente. Actualmente, Amazon Bedrock ofrece los siguientes métodos de personalización.
-
Ajuste supervisado
Proporcione datos etiquetados para entrenar un modelo a fin de mejorar su rendimiento en tareas específicas. Al proporcionar un conjunto de datos de entrenamiento con ejemplos etiquetados, el modelo aprende a asociar qué tipos de salidas deben generarse para determinados tipos de entradas. Los parámetros del modelo se ajustan en el proceso y mejora el rendimiento del modelo de las tareas representadas en el conjunto de datos de entrenamiento.
Para obtener más información sobre el uso del ajuste de precisión supervisado, consulte. Personaliza un modelo con ajustes precisos en Amazon Bedrock
-
Refinamiento de refuerzo
El ajuste por refuerzo mejora la alineación del modelo básico con su caso de uso específico mediante el aprendizaje basado en comentarios. En lugar de proporcionar pares de entrada y salida etiquetados, se definen funciones de recompensa que evalúan la calidad de la respuesta. El modelo aprende de forma iterativa al recibir puntuaciones de retroalimentación de estas funciones de recompensa.
Puedes cargar tus conjuntos de datos de indicaciones de entrenamiento o proporcionar los registros de invocación de Bedrock existentes. Puede definir las funciones de recompensa utilizándolas AWS Lambda para evaluar la calidad de la respuesta. Amazon Bedrock automatiza el flujo de trabajo de formación y proporciona métricas en tiempo real para supervisar el progreso del aprendizaje de los modelos.
Para obtener más información sobre el uso del ajuste fino de los refuerzos, consulte. Personalice un modelo con ajustes de refuerzo en Amazon Bedrock
-
Destilación
Utilice la destilación para transferir el conocimiento de un modelo inteligente más grande (conocido como instructor) a un modelo más pequeño, más rápido y económico (conocido como aprendiz). Amazon Bedrock automatiza el proceso de destilación mediante el uso de las técnicas de síntesis de datos más recientes para generar respuestas diversas y de alta calidad a partir del modelo instructor y refina el modelo aprendiz.
Para utilizar la destilación, debe seleccionar un modelo instructor cuya precisión desee lograr para su caso de uso y un modelo aprendiz para refinarlo. A continuación, proporciona peticiones específicas para cada caso de uso como datos de entrada. Amazon Bedrock utiliza las entradas que proporciona el modelo instructor para las peticiones proporcionadas y, a continuación, utiliza las respuestas para refinar el modelo aprendiz. Si lo desea, puede proporcionar datos de entrada etiquetados como pares de petición-respuesta.
Para obtener más información acerca del uso de la destilación, consulte Personalización de un modelo con destilación en Amazon Bedrock.
Para obtener más información sobre las cuotas de personalización de los modelos, consulte los Amazon Bedrock endpoints and quotas en la Referencia general de AWS.
nota
El entrenamiento de modelos se cobra en función del número de tokens procesados por el modelo (número de tokens en el corpus de datos de entrenamiento x número de épocas) y el almacenamiento del modelo se cobra por mes y por modelo. Para obtener más información, consulte Precios de Amazon Bedrock
