Sesuaikan model Anda untuk meningkatkan kinerjanya untuk kasus penggunaan Anda - Amazon Bedrock

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Sesuaikan model Anda untuk meningkatkan kinerjanya untuk kasus penggunaan Anda

Kustomisasi model adalah proses penyediaan data pelatihan ke model untuk meningkatkan kinerjanya untuk kasus penggunaan tertentu. Anda dapat menyesuaikan model fondasi Amazon Bedrock untuk meningkatkan kinerjanya dan menciptakan pengalaman pelanggan yang lebih baik. Amazon Bedrock saat ini menyediakan metode penyesuaian berikut.

  • Penyetelan halus yang diawasi

    Berikan data berlabel untuk melatih model untuk meningkatkan kinerja pada tugas-tugas tertentu. Dengan menyediakan kumpulan data pelatihan dari contoh berlabel, model belajar untuk mengaitkan jenis output apa yang harus dihasilkan untuk jenis input tertentu. Parameter model disesuaikan dalam proses dan kinerja model ditingkatkan untuk tugas-tugas yang diwakili oleh dataset pelatihan.

    Untuk informasi selengkapnya tentang penggunaan fine-tuning yang diawasi, lihat. Sesuaikan model dengan fine-tuning di Amazon Bedrock

  • Penyempurnaan berbasis penguatan

    Penyetelan halus penguatan meningkatkan penyelarasan model pondasi dengan kasus penggunaan spesifik Anda melalui pembelajaran berbasis umpan balik. Alih-alih menyediakan pasangan input-output berlabel, Anda menentukan fungsi hadiah yang mengevaluasi kualitas respons. Model belajar berulang dengan menerima skor umpan balik dari fungsi hadiah ini.

    Anda dapat mengunggah kumpulan data prompt pelatihan atau menyediakan log pemanggilan Bedrock yang ada. Anda dapat menentukan fungsi hadiah menggunakan AWS Lambda untuk mengevaluasi kualitas respons. Amazon Bedrock mengotomatiskan alur kerja pelatihan dan menyediakan metrik waktu nyata untuk memantau kemajuan pembelajaran model.

    Untuk informasi lebih lanjut tentang penggunaan fine-tuning tulangan, lihat. Sesuaikan model dengan fine-tuning tulangan di Amazon Bedrock

  • Distilasi

    Gunakan distilasi untuk mentransfer pengetahuan dari model yang lebih besar yang lebih cerdas (dikenal sebagai guru) ke model yang lebih kecil, lebih cepat, dan hemat biaya (dikenal sebagai siswa). Amazon Bedrock mengotomatiskan proses distilasi dengan menggunakan teknik sintesis data terbaru untuk menghasilkan beragam respons berkualitas tinggi dari model guru, dan menyempurnakan model siswa.

    Untuk menggunakan distilasi, Anda memilih model guru yang akurasinya ingin Anda capai untuk kasus penggunaan Anda, dan model siswa untuk disempurnakan. Kemudian, Anda memberikan petunjuk penggunaan khusus kasus sebagai data input. Amazon Bedrock menghasilkan respons dari model guru untuk petunjuk yang diberikan, dan kemudian menggunakan respons untuk menyempurnakan model siswa. Anda secara opsional dapat memberikan data input berlabel sebagai pasangan prompt respons.

    Untuk informasi lebih lanjut tentang menggunakan distilasi lihatSesuaikan model dengan distilasi di Amazon Bedrock.

Untuk informasi tentang kuota kustomisasi model, lihat titik akhir Amazon Bedrock dan kuota di. Referensi Umum AWS

catatan

Anda dikenakan biaya untuk pelatihan model berdasarkan jumlah token yang diproses oleh model (jumlah token dalam korpus data pelatihan × jumlah zaman) dan penyimpanan model yang dibebankan per bulan per model. Untuk informasi selengkapnya, lihat Harga Amazon Bedrock.