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.
-
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.
Pour plus d'informations sur l'utilisation du réglage fin supervisé, consultezPersonnalisez un modèle en le peaufinant dans Amazon Bedrock.
-
Peaufinage par renforcement
Le réglage précis du renforcement améliore l'alignement du modèle de base sur votre cas d'utilisation spécifique grâce à un apprentissage basé sur les commentaires. 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 télécharger vos ensembles de données d'instructions d'entraînement ou fournir les journaux d'invocation Bedrock existants. 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.
-
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.
Pour plus d’informations sur les quotas de personnalisation des modèles, consultez Points de terminaison et quotas Amazon Bedrock dans Références générales AWS.
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
