Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Creazione di un set di dati dei prompt personalizzati per un processo di valutazione del modello che utilizza lavoratori umani
<a name="model-evaluation-prompt-datasets-custom-human"></a>

Per creare un processo di valutazione del modello che utilizza lavoratori umani, devi specificare un set di dati dei prompt personalizzato. Questi prompt vengono quindi utilizzati durante l’inferenza con i modelli selezionati per la valutazione. 

Se desideri valutare modelli non Amazon Bedrock utilizzando risposte già generate, includile nel set di dati dei prompt come descritto in [Esecuzione di un processo di valutazione utilizzando i dati di risposta all’inferenza](#model-evaluation-prompt-datasets-custom-human-byoir). Quando fornisci i dati di risposta di inferenza, Amazon Bedrock ignora la fase di invocazione del modello ed esegue il processo di valutazione con i dati forniti. 

I set di dati dei prompt personalizzati devono essere archiviati in Amazon S3, utilizzare il formato di riga JSON e utilizzare l’estensione del file `.jsonl`. Ogni riga deve essere un oggetto JSON valido. Nel set di dati possono essere presenti fino a 1.000 prompt per processo di valutazione automatica.

Per i processi creati utilizzando la console, devi aggiornare la configurazione Cross Origin Resource Sharing (CORS) sul bucket S3. Per ulteriori informazioni sulle autorizzazioni CORS necessarie per questo ruolo, consulta [Autorizzazioni CORS (Cross Origin Resource Sharing) richiesta per i bucket S3](model-evaluation-security-cors.md). 

## Esecuzione di un processo di valutazione in cui Amazon Bedrock invoca automaticamente un modello
<a name="model-evaluation-prompt-datasets-custom-human-invoke"></a>

Per eseguire un processo di valutazione in cui Amazon Bedrock invoca i modelli per te, fornisci un set di dati dei prompt contenente le seguenti coppie chiave-valore:
+ `prompt`: il prompt a cui desideri che i modelli rispondano.
+ `referenceResponse`: (facoltativo) una risposta ground truth a cui i lavoratori possono fare riferimento durante la valutazione.
+ `category`: (facoltativo) una chiave da utilizzare per filtrare i risultati quando vengono esaminati nella scheda del report di valutazione del modello.

Nell’interfaccia utente del lavoratore, ciò che specifichi per `prompt` e `referenceResponse` è visibile ai tuoi lavoratori umani.

Di seguito è riportato un esempio di set di dati personalizzati che contiene 6 input e utilizza il formato di riga JSON.

```
{"prompt":"{{Provide the prompt you want the model to use during inference}}","category":"{{(Optional) Specify an optional category}}","referenceResponse":"{{(Optional) Specify a ground truth response}}."}
{"prompt":"{{Provide the prompt you want the model to use during inference}}","category":"{{(Optional) Specify an optional category}}","referenceResponse":"{{(Optional) Specify a ground truth response}}."}
{"prompt":"{{Provide the prompt you want the model to use during inference}}","category":"{{(Optional) Specify an optional category}}","referenceResponse":"{{(Optional) Specify a ground truth response}}."}
{"prompt":"{{Provide the prompt you want the model to use during inference}}","category":"{{(Optional) Specify an optional category}}","referenceResponse":"{{(Optional) Specify a ground truth response}}."}
{"prompt":"{{Provide the prompt you want the model to use during inference}}","category":"{{(Optional) Specify an optional category}}","referenceResponse":"{{(Optional) Specify a ground truth response}}."}
{"prompt":"{{Provide the prompt you want the model to use during inference}}","category":"{{(Optional) Specify an optional category}}","referenceResponse":"{{(Optional) Specify a ground truth response}}."}
```

L’esempio seguente riporta una voce singola espansa per maggiore chiarezza. Nel set di dati dei prompt effettivo, ogni riga deve essere un oggetto JSON valido.

```
{
  "prompt": "What is high intensity interval training?",
  "category": "Fitness",
  "referenceResponse": "High-Intensity Interval Training (HIIT) is a cardiovascular exercise approach that involves short, intense bursts of exercise followed by brief recovery or rest periods."
}
```

## Esecuzione di un processo di valutazione utilizzando i dati di risposta all’inferenza
<a name="model-evaluation-prompt-datasets-custom-human-byoir"></a>

Per eseguire un processo di valutazione utilizzando le risposte già generate, è necessario fornire un set di dati dei prompt contenente le seguenti coppie chiave-valore:
+ `prompt`: il prompt utilizzato dai modelli per generare le risposte.
+ `referenceResponse`: (facoltativo) una risposta ground truth a cui i lavoratori possono fare riferimento durante la valutazione.
+ `category`: (facoltativo) una chiave da utilizzare per filtrare i risultati quando vengono esaminati nella scheda del report di valutazione del modello.
+ `modelResponses`: le risposte derivanti dall’inferenza che desideri valutare. Puoi fornire una o due voci con le seguenti proprietà nell’elenco `modelResponses`.
  + `response`: una stringa contenente la risposta dall’inferenza del modello.
  + `modelIdentifier`: una stringa che identifica il modello che ha generato le risposte.

Ogni riga del set di dati dei prompt deve contenere lo stesso numero di risposte (una o due). Inoltre, è necessario specificare lo stesso identificatore o gli stessi identificatori del modello in ogni riga e non è possibile utilizzare più di 2 valori univoci per `modelIdentifier` in un singolo set di dati.

Quello che segue è un esempio di set di dati personalizzato con 6 input in formato JSON.

```
{"prompt":{{"The prompt you used to generate the model responses"}},"referenceResponse":{{"(Optional) a ground truth response"}},"category":{{"(Optional) a category for the prompt"}},"modelResponses":[{"response":{{"The response your first model generated"}},"modelIdentifier":{{"A string identifying your first model"}}},{"response":{{"The response your second model generated"}},"modelIdentifier":{{"A string identifying your second model"}}}]}
{"prompt":{{"The prompt you used to generate the model responses"}},"referenceResponse":{{"(Optional) a ground truth response"}},"category":{{"(Optional) a category for the prompt"}},"modelResponses":[{"response":{{"The response your first model generated"}},"modelIdentifier":{{"A string identifying your first model"}}},{"response":{{"The response your second model generated"}},"modelIdentifier":{{"A string identifying your second model"}}}]}
{"prompt":{{"The prompt you used to generate the model responses"}},"referenceResponse":{{"(Optional) a ground truth response"}},"category":{{"(Optional) a category for the prompt"}},"modelResponses":[{"response":{{"The response your first model generated"}},"modelIdentifier":{{"A string identifying your first model"}}},{"response":{{"The response your second model generated"}},"modelIdentifier":{{"A string identifying your second model"}}}]}
{"prompt":{{"The prompt you used to generate the model responses"}},"referenceResponse":{{"(Optional) a ground truth response"}},"category":{{"(Optional) a category for the prompt"}},"modelResponses":[{"response":{{"The response your first model generated"}},"modelIdentifier":{{"A string identifying your first model"}}},{"response":{{"The response your second model generated"}},"modelIdentifier":{{"A string identifying your second model"}}}]}
{"prompt":{{"The prompt you used to generate the model responses"}},"referenceResponse":{{"(Optional) a ground truth response"}},"category":{{"(Optional) a category for the prompt"}},"modelResponses":[{"response":{{"The response your first model generated"}},"modelIdentifier":{{"A string identifying your first model"}}},{"response":{{"The response your second model generated"}},"modelIdentifier":{{"A string identifying your second model"}}}]}
{"prompt":{{"The prompt you used to generate the model responses"}},"referenceResponse":{{"(Optional) a ground truth response"}},"category":{{"(Optional) a category for the prompt"}},"modelResponses":[{"response":{{"The response your first model generated"}},"modelIdentifier":{{"A string identifying your first model"}}},{"response":{{"The response your second model generated"}},"modelIdentifier":{{"A string identifying your second model"}}}]}
```

L’esempio seguente mostra una voce singola in un set di dati dei prompt espanso per maggiore chiarezza.

```
{
    "prompt": "What is high intensity interval training?",
    "referenceResponse": "High-Intensity Interval Training (HIIT) is a cardiovascular exercise approach that involves short, intense bursts of exercise followed by brief recovery or rest periods.",
    "category": "Fitness",
     "modelResponses": [
        {
            "response": "High intensity interval training (HIIT) is a workout strategy that alternates between short bursts of intense, maximum-effort exercise and brief recovery periods, designed to maximize calorie burn and improve cardiovascular fitness.",
            "modelIdentifier": "Model1"
        },
        {
            "response": "High-intensity interval training (HIIT) is a cardiovascular exercise strategy that alternates short bursts of intense, anaerobic exercise with less intense recovery periods, designed to maximize calorie burn, improve fitness, and boost metabolic rate.",
            "modelIdentifier": "Model2"
        }
    ]
}
```