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.
Personalizzazione del modello per migliorarne le prestazioni per il proprio caso d’uso
La personalizzazione del modello è il processo tramite il quale vengono forniti dati a un modello per migliorarne le prestazioni per casi d’uso specifici. Puoi personalizzare un modello di fondazione Amazon Bedrock per migliorarne le prestazioni e offrire ai clienti un’esperienza migliore. Attualmente, Amazon Bedrock offre i metodi di personalizzazione indicati di seguito.
-
Ottimizzazione supervisionata
Fornisci dati etichettati per addestrare un modello in modo da migliorarne le prestazioni su attività specifiche. Fornire un set di dati di addestramento con esempi etichettati consente al modello di imparare ad associare i tipi di output da generare per determinati tipi di input. I parametri del modello vengono modificati durante il processo e le prestazioni del modello vengono migliorate per le attività rappresentate dal set di dati di addestramento.
Per ulteriori informazioni sull'uso della regolazione fine supervisionata, vedere. Personalizza un modello con messa a punto in Amazon Bedrock
-
Fine-tuning dei rinforzi
La messa a punto del rinforzo migliora l'allineamento del modello di base allo specifico caso d'uso attraverso l'apprendimento basato sul feedback. Invece di fornire coppie di input-output etichettate, si definiscono funzioni di ricompensa che valutano la qualità della risposta. Il modello apprende in modo iterativo ricevendo punteggi di feedback da queste funzioni di ricompensa.
È possibile caricare i set di dati dei prompt di formazione o fornire i registri di invocazione di Bedrock esistenti. È possibile definire le funzioni di ricompensa utilizzando per valutare la qualità della risposta. AWS Lambda Amazon Bedrock automatizza il flusso di lavoro di formazione e fornisce metriche in tempo reale per monitorare i progressi dell'apprendimento dei modelli.
Per ulteriori informazioni sull'utilizzo della regolazione fine del rinforzo, consulta. Personalizza un modello con la messa a punto del rinforzo in Amazon Bedrock
-
Distillazione
Utilizza la distillazione per trasferire informazioni da un modello più grande e intelligente (noto come insegnante) a un modello più piccolo, veloce e conveniente (noto come studente). Amazon Bedrock automatizza il processo di distillazione utilizzando le tecniche di sintesi dei dati più recenti per generare risposte diverse e di alta qualità a partire dal modello insegnante ed esegue il fine-tuning del modello studente.
Per utilizzare la distillazione, seleziona il modello insegnante di cui desideri raggiungere la precisione necessaria per il tuo caso d’uso e un modello studente di cui eseguire il fine-tuning. Quindi, fornisci istruzioni specifiche per il caso d’uso come dati di input. Amazon Bedrock genera risposte dal modello insegnante per determinati prompt, quindi le utilizza per eseguire il fine-tuning del modello studente. Facoltativamente, puoi fornire dati di input etichettati come coppie di prompt-risposta.
Per ulteriori informazioni sull’utilizzo della distillazione, consulta Personalizzare un modello con distillazione in Amazon Bedrock.
Per informazioni sulle quote di personalizzazione del modello, consulta Endpoint e quote di Amazon Bedrock in Riferimenti generali di AWS.
Nota
I costi di addestramento dei modelli vengono addebitati in base al numero di token che questo elabora (numero di token nel corpus dei dati di addestramento × numero di epoch) e l’archiviazione di ogni modello viene addebitata mensilmente. Per maggiori informazioni, consulta Prezzi di Amazon Bedrock
