強化ファインチューニングのためのトレーニングデータと報酬関数を準備する

強化ファインチューニングジョブを作成するには、レスポンスの品質を評価するトレーニングデータと報酬関数が必要です。入出力ペアを必要とする従来のファインチューニングとは異なり、RFT はプロンプトと報酬シグナルを使用してモデル学習をガイドします。

既存の Amazon Bedrock API 呼び出しログをトレーニングデータとして使用したり、新しいデータセットをアップロードしたりできます。報酬関数は、良い応答を行う内容を定義し、ルールベースの検証 (RLVR) または AI ベースの判断 (RLAIF) を使用できます。