Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
La personnalisation du modèle est le processus qui consiste à fournir des données d'entraînement à un modèle afin d'améliorer ses performances pour des cas d'utilisation spécifiques. Vous pouvez personnaliser les modèles de base Amazon Bedrock afin d'améliorer leurs performances et de créer une meilleure expérience client. Amazon Bedrock propose actuellement les méthodes de personnalisation suivantes.
-
Distillation
Utilisez la distillation pour transférer les connaissances d'un modèle plus vaste et plus intelligent (appelé enseignant) vers un modèle plus petit, plus rapide et rentable (appelé étudiant). Amazon Bedrock automatise le processus de distillation en utilisant les dernières techniques de synthèse de données pour générer des réponses diverses et de haute qualité à partir du modèle de l'enseignant et affine le modèle de l'étudiant.
Pour utiliser la distillation, vous devez sélectionner un modèle d'enseignant dont vous souhaitez obtenir la précision en fonction de votre cas d'utilisation, et un modèle d'étudiant à affiner. Ensuite, vous fournissez des instructions spécifiques au cas d'utilisation en tant que données d'entrée. Amazon Bedrock génère des réponses à partir du modèle d'enseignant pour les instructions données, puis utilise les réponses pour affiner le modèle d'étudiant. Vous pouvez éventuellement fournir des données d'entrée étiquetées sous forme de paires prompte-réponse.
Pour plus d'informations sur l'utilisation de la distillation, voirModèle de distillation dans Amazon Bedrock.
-
Réglage précis
Fournissez des données étiquetées afin de former un modèle afin d'améliorer les performances sur des tâches spécifiques. En fournissant un ensemble de données d'apprentissage contenant des exemples étiquetés, le modèle apprend à associer les types de sorties à générer pour certains types d'entrées. Les paramètres du modèle sont ajustés au cours du processus et les performances du modèle sont améliorées pour les tâches représentées par le jeu de données d'entraînement.
-
Pré-formation continue
Fournissez des données non étiquetées pour préentraîner un modèle de base en le familiarisant avec certains types d'entrées. Vous pouvez fournir des données relatives à des sujets spécifiques afin d'exposer un modèle à ces domaines. Le processus de pré-formation continue ajustera les paramètres du modèle pour tenir compte des données d'entrée et améliorer sa connaissance du domaine.
Par exemple, vous pouvez entraîner un modèle avec des données privées, telles que des documents commerciaux, qui ne sont pas accessibles au public pour la formation de grands modèles linguistiques. En outre, vous pouvez continuer à améliorer le modèle en le réentraînant avec davantage de données non étiquetées au fur et à mesure qu’elles sont disponibles.
Pour plus d'informations sur les quotas de personnalisation des modèles, consultez la section Points de terminaison et quotas Amazon Bedrock dans le. Références générales AWS
Note
La formation du modèle vous est facturée en fonction du nombre de jetons traités par le modèle (nombre de jetons dans le corpus de données d'entraînement × nombre d'époques) et le stockage du modèle facturé par mois et par modèle. Pour plus d'informations, consultez les tarifs d'Amazon Bedrock
Dans le cadre de la personnalisation du modèle, vous devez suivre les étapes suivantes.
-
Créez une formation et, le cas échéant, un jeu de données de validation pour votre tâche de personnalisation.
-
Si vous envisagez d'utiliser un nouveau rôle IAM personnalisé, configurez les autorisations IAM pour accéder aux compartiments S3 contenant vos données. Vous pouvez également utiliser un rôle existant ou laisser la console créer automatiquement un rôle avec les autorisations appropriées.
-
(Facultatif) Configurez les clés KMS et/ou le VPC pour renforcer la sécurité.
-
Créez une tâche de réglage fin ou de pré-entraînement continu, en contrôlant le processus d'entraînement en ajustant les valeurs des hyperparamètres.
-
Analysez les résultats en examinant les métriques de formation ou de validation ou en utilisant l'évaluation du modèle.
-
Achetez le débit provisionné pour votre modèle personnalisé nouvellement créé.
-
Utilisez votre modèle personnalisé comme vous le feriez pour un modèle de base dans les tâches Amazon Bedrock, telles que l'inférence de modèles.
