Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Personnalisation de votre modèle pour améliorer ses performances en fonction de votre cas d’utilisation
La personnalisation des modèles est le processus qui consiste à fournir des données d’entraînement à un modèle afin d’améliorer ses performances pour des cas d’utilisation spécifiques. Vous pouvez personnaliser des modèles de fondation Amazon Bedrock pour améliorer leurs performances et créer une meilleure expérience client. Amazon Bedrock propose actuellement les méthodes de personnalisation suivantes.
-
Distillation
Utilisez la distillation pour transférer les connaissances d’un modèle plus vaste et plus intelligent (appelé enseignant) vers un modèle plus petit, plus rapide et rentable (appelé étudiant). Amazon Bedrock automatise le processus de distillation en utilisant les dernières techniques de synthèse de données pour générer des réponses diverses et de haute qualité à partir du modèle enseignant, et optimise le modèle étudiant.
Pour utiliser la distillation, vous devez sélectionner un modèle enseignant dont vous souhaitez obtenir la précision en fonction de votre cas d’utilisation, et un modèle étudiant à optimiser. Ensuite, vous fournissez des invites spécifiques au cas d’utilisation en tant que données d’entrée. Amazon Bedrock génère des réponses à partir du modèle enseignant pour l’invite spécifiée, puis utilise les réponses pour optimiser le modèle étudiant. Vous pouvez éventuellement fournir des données d’entrée étiquetées sous forme de paires invite-réponse.
Pour plus d’informations sur l’utilisation de la distillation, consultez Personnalisation d’un modèle grâce à la distillation dans Amazon Bedrock.
-
Réglage précis des renforts
Le réglage précis du renforcement améliore l'alignement du modèle de base sur votre cas d'utilisation spécifique grâce à un apprentissage basé sur le feedback. Au lieu de fournir des paires d'entrées-sorties étiquetées, vous définissez des fonctions de récompense qui évaluent la qualité des réponses. Le modèle apprend de manière itérative en recevant les scores de feedback de ces fonctions de récompense.
Vous pouvez utiliser les journaux d'invocation existants de Bedrock comme données d'entraînement ou télécharger des ensembles de données d'invite personnalisés. Vous pouvez définir des fonctions de récompense AWS Lambda pour évaluer la qualité des réponses. Amazon Bedrock automatise le flux de formation et fournit des indicateurs en temps réel pour suivre la progression de l'apprentissage des modèles.
Pour plus d'informations sur l'utilisation du réglage fin des armatures, consultezPersonnalisez un modèle en affinant les armatures dans Amazon Bedrock.
-
Réglage précis supervisé
Fournissez des données étiquetées afin de former un modèle à améliorer les performances sur des tâches spécifiques. En fournissant un jeu de données d’entraînement contenant des exemples étiquetés, le modèle apprend à associer les types de sorties à générer pour certains types d’entrées. Les paramètres de modèle sont ajustés au cours du processus et les performances du modèle sont améliorées pour les tâches représentées par le jeu de données d’entraînement.
-
Pré-entraînement continu
Fournissez des données non étiquetées pour pré-entraîner un modèle de fondation en le familiarisant avec certains types d’entrées. Vous pouvez fournir des données relatives à des sujets spécifiques afin d’exposer un modèle à ces domaines. Le processus de pré-entraînement continu ajustera les paramètres du modèle pour tenir compte des données d’entrée et améliorer sa connaissance du domaine.
Par exemple, vous pouvez entraîner un modèle avec des données privées, telles que des documents commerciaux, qui ne sont pas accessibles au public pour l’entraînement de grands modèles de langage. En outre, vous pouvez continuer à améliorer le modèle en le réentraînant avec davantage de données non étiquetées au fur et à mesure qu’elles sont disponibles.
Pour plus d’informations sur les quotas de personnalisation des modèles, consultez Points de terminaison et quotas Amazon Bedrock dans Références générales AWS. Après avoir personnalisé un modèle, vous pouvez configurer l’inférence pour le nouveau modèle personnalisé. Pour de plus amples informations, veuillez consulter Configuration de l’inférence pour un modèle personnalisé.
Note
L’entraînement des modèles vous est facturé en fonction du nombre de jetons traités par le modèle (nombre de jetons dans le corpus de données d’entraînement × nombre d’époques) et du stockage du modèle facturé par mois et par modèle. Pour plus d’informations, consultez Tarification d’Amazon Bedrock
Consignes pour la personnalisation des modèles
Les paramètres idéaux pour la personnalisation d’un modèle dépendent du jeu de données et de la tâche à laquelle le modèle est destiné. Envisagez de tester ces valeurs pour déterminer les paramètres les mieux adaptés à votre cas spécifique. Pour faciliter les choses, vous pouvez évaluer le modèle en exécutant une tâche d’évaluation. Pour de plus amples informations, veuillez consulter Évaluation des performances des ressources Amazon Bedrock.
Utilisez les métriques d’entraînement et de validation des fichiers de sortie générés lors de l’envoi d’une tâche de personnalisation de modèle pour vous aider à ajuster les paramètres. Recherchez ces fichiers dans le compartiment Amazon S3 dans lequel vous avez écrit la sortie, ou utilisez l'GetCustomModelopération.
