Soumission d’une tâche de personnalisation du modèle pour un peaufinage ou un entraînement continu préalable - Amazon Bedrock
Conditions préalablesEnvoi de votre tâche

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.

Soumission d’une tâche de personnalisation du modèle pour un peaufinage ou un entraînement continu préalable

Vous pouvez créer un modèle personnalisé en utilisant le peaufinage ou l’entraînement continu préalable dans la console ou l’API Amazon Bedrock. Vous pouvez optimiser davantage un modèle personnalisé existant. La tâche de personnalisation peut prendre plusieurs heures. La durée de la tâche dépend de la taille des données d’entraînement (nombre d’enregistrements, jetons d’entrée et jetons de sortie), du nombre d’époques et de la taille du lot.

Conditions préalables

Envoi de votre tâche

Choisissez l’onglet correspondant à votre méthode préférée, puis suivez les étapes :

Console

Pour soumettre une tâche de personnalisation du modèle dans la console, suivez les étapes ci-dessous.

  1. Connectez-vous au AWS Management Console avec une identité IAM autorisée à utiliser la console Amazon Bedrock. Ouvrez ensuite la console Amazon Bedrock à l'adresse https://console.aws.amazon.com/bedrock.

  2. Dans le volet de navigation de gauche, choisissez Modèles personnalisés sous Régler.

  3. Dans l’onglet Modèles, choisissez Personnaliser le modèle, puis Créer une tâche de peaufinage ou Créer une tâche de préentraînement continu, en fonction du type de modèle que vous voulez entraîner.

  4. Dans la section Détails du modèle, procédez comme suit :

    1. Choisissez le modèle que vous souhaitez personnaliser avec vos propres données et nommez le modèle obtenu. Vous pouvez choisir un modèle de fondation ou un modèle déjà personnalisé (optimisé ou distillé) comme modèle de base.

    2. (Facultatif) Par défaut, Amazon Bedrock chiffre votre modèle à l’aide d’une clé détenue et gérée par AWS. Pour utiliser une clé KMS personnalisée, sélectionnez Modèle de chiffrement et choisissez une clé.

    3. (Facultatif) Pour associer des balises au modèle personnalisé, développez la section Balises et sélectionnez Ajouter une nouvelle balise.

  5. Dans la section Configuration de la tâche, entrez un nom pour la tâche et ajoutez les balises à associer à la tâche.

  6. (Facultatif) Pour utiliser un cloud privé virtuel (VPC) afin de protéger vos données d’entraînement et votre tâche de personnalisation, sélectionnez un VPC contenant les données d’entrée et de sortie des sites Amazon S3, ses sous-réseaux et ses groupes de sécurité dans la section des paramètres du VPC.

    Note

    Si vous incluez une configuration VPC, la console ne peut pas créer de rôle de service pour cette tâche. Créez un rôle de service personnalisé et ajoutez des autorisations similaires à l’exemple décrit dans Association des autorisations VPC à un rôle de personnalisation du modèle.

  7. Dans la section Données d’entrée, sélectionnez l’emplacement S3 du fichier du jeu de données d’entraînement et, le cas échéant, le fichier du jeu de données de validation.

  8. Dans la section Hyperparamètres, entrez les valeurs des hyperparamètres à utiliser lors de l’entraînement.

  9. Dans la section Données de sortie, entrez l’emplacement Amazon S3 dans lequel Amazon Bedrock doit enregistrer la sortie de la tâche. Amazon Bedrock stocke les métriques de perte d’entraînement et de perte de validation pour chaque époque dans des fichiers séparés à l’emplacement que vous spécifiez.

  10. Dans la section Accès au service, sélectionnez l’une des options suivantes :

    • Utiliser un rôle de service existant : sélectionnez un rôle de service dans la liste déroulante. Pour plus d’informations sur la configuration d’un rôle personnalisé avec les autorisations appropriées, consultez Création d’un rôle de service pour la personnalisation du modèle.

    • Créer et utiliser une nouvelle fonction du service : entrez un nom pour la fonction du service.

  11. Choisissez Optimiser un modèle ou Créer une tâche de préentraînement continu pour commencer la tâche.

API

Demande

Envoyez une demande CreateModelCustomizationJob(voir le lien pour les formats de demande et de réponse et les détails des champs) avec un point de terminaison du plan de contrôle Amazon Bedrock pour soumettre une tâche de personnalisation de modèle. Au minimum, vous devez renseigner les champs suivants.

  • roleArn : ARN du rôle de service avec les autorisations pour personnaliser les modèles. Amazon Bedrock peut créer automatiquement un rôle avec les autorisations appropriées si vous utilisez la console, ou vous pouvez créer un rôle personnalisé en suivant les étapes indiquées dans Création d’un rôle de service pour la personnalisation du modèle.

    Note

    Si vous incluez un champ vpcConfig, assurez-vous que le rôle dispose des autorisations appropriées pour accéder au VPC. Pour obtenir un exemple, consultez Association des autorisations VPC à un rôle de personnalisation du modèle.

  • baseModelIdentifier : ID du modèle ou ARN du modèle de fondation ou du modèle précédemment personnalisé (optimisé ou distillé) à personnaliser.

  • customModelName : nom à donner au nouveau modèle personnalisé.

  • jobName : nom à donner à la tâche d’entraînement.

  • hyperParameters : hyperparamètres qui affectent le processus de personnalisation du modèle.

  • trainingDataConfig : objet contenant l’URI Amazon S3 du jeu de données d’entraînement. Selon la méthode et le modèle de personnalisation, vous pouvez également inclure un validationDataConfig. Pour plus d’informations sur la préparation des jeux de données, consultez Préparation de vos jeux de données d’entraînement pour un peaufinage et un pré-entraînement continu.

  • validationDataconfig : objet contenant l’URI Amazon S3 du jeu de données de validation.

  • outputDataConfig : objet contenant l’URI Amazon S3 dans lequel écrire les données de sortie.

Si vous ne le spécifiez pas le customizationType, la méthode de personnalisation du modèle est par défaut FINE_TUNING.

Pour éviter que la demande ne soit traitée plusieurs fois, incluez un clientRequestToken.

Vous pouvez inclure les champs facultatifs suivants pour des configurations supplémentaires.

Réponse

La réponse renvoie un élément jobArn que vous pouvez utiliser pour surveiller ou arrêter la tâche.

Consulter des exemples de code