Prepara tus datos de entrenamiento y funciones de recompensa para ajustar los refuerzos

Para crear un trabajo de ajuste preciso de los refuerzos, se necesitan datos de entrenamiento y funciones de recompensa que evalúen la calidad de la respuesta. A diferencia del ajuste fino tradicional, que requiere pares de entradas y salidas, la RFT utiliza indicaciones y señales de recompensa para guiar el aprendizaje de los modelos.

Puede utilizar los registros de invocación de la API de Amazon Bedrock existentes como datos de entrenamiento o cargar nuevos conjuntos de datos. Las funciones de recompensa definen lo que constituye una buena respuesta y pueden utilizar la verificación basada en reglas (RLVR) o el juicio basado en la IA (RLAIF).