As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Preparar os conjuntos de dados de treinamento para destilação
Antes de começar um trabalho de personalização de modelo, é necessário preparar no mínimo um conjunto de dados de treinamento. Para preparar os conjuntos de dados de entrada para o modelo personalizado, crie arquivos `.jsonl`, em que cada linha é um objeto JSON correspondente a um registro. Os arquivos criados devem estar em conformidade com o formato de destilação de modelos e o modelo escolhido. Os registros internos também devem estar em conformidade com os requisitos de tamanho.
Forneça os dados de entrada como prompts. O Amazon Bedrock usa os dados de entrada para gerar respostas do modelo instrutor e usa as respostas geradas para ajustar o modelo aprendiz. Para ter mais informações sobre as entradas que o Amazon Bedrock usa e escolher uma opção que funcione melhor para seu caso de uso, consulte [Como funciona a Destilação de Modelos do Amazon Bedrock](model-distillation.md#how-md-works). Há algumas opções para preparar seu conjunto de dados de entrada.
**nota**
Os modelos do Amazon Nova têm requisitos diferentes para destilação. Para ter mais informações, consulte [Destilar modelos do Amazon Nova](https://docs.aws.amazon.com/nova/latest/userguide/customize-distill.html).
## Modalidades permitidas para destilação
Os modelos listados em [Modelos e regiões em que é possível usar a Destilação de Modelos do Amazon Bedrock](prequisites-model-distillation.md#model-distillation-supported) suportam somente a text-to-text modalidade.
## Otimizar os prompts de entrada para geração de dados sintéticos
Durante a destilação de modelos, o Amazon Bedrock gera um conjunto de dados sintético que ele usa para ajustar o modelo aprendiz para seu caso de uso específico. Para obter mais informações, consulte [Como funciona a Destilação de Modelos do Amazon Bedrock](model-distillation.md#how-md-works).
Você pode otimizar o processo de geração de dados sintéticos formatando os prompts de entrada para o caso de uso desejado. Por exemplo, se o caso de uso do modelo destilado fosse geração aumentada via recuperação (RAG), você formataria os prompts de forma diferente do que se quisesse que o modelo se concentrasse nos casos de uso do agente.
Veja a seguir exemplos de como é possível formatar os prompts de entrada para casos de uso de RAG ou agente.
------
#### [ RAG prompt example ]
```
{
"schemaVersion": "bedrock-conversation-2024",
"system": [
{
"text": "You are a financial analyst charged with answering questions about 10K and 10Q SEC filings. Given the context below, answer the following question."
}
],
"messages": [
{
"role": "user",
"content": [
{
"text": "\nDocument 1: Multiple legal actions have been filed against us as a result of the October 29, 2018 accident of Lion Air Flight 610 and the March 10, 2019 accident of Ethiopian Airlines Flight 302.\n\n\nHas Boeing reported any materially important ongoing legal battles from FY2022?"
}
]
}
]
}
```
------
#### [ Agent prompt example ]
```
{
"schemaVersion": "bedrock-conversation-2024",
"system": [
{
"text": 'You are an expert in composing functions. You are given a question and a set of possible functions. Based on the question, you will need to make one or more function/tool calls to achieve the purpose.
Here is a list of functions in JSON format that you can invoke.
[
{
"name": "lookup_weather",
"description: "Lookup weather to a specific location",
"parameters": {
"type": "dict",
"required": [
"city"
],
"properties": {
"location": {
"type": "string",
},
"date": {
"type": "string",
}
}
}
}
]'
}
],
"messages": [
{
"role": "user",
"content": [
{
"text": "What's the weather tomorrow?"
}
]
},
{
"role": "assistant",
"content": [
{
"text": "[lookup_weather(location=\"san francisco\", date=\"tomorrow\")]"
}
]
}
]
}
```
------