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](custom-model-fine-tuning.md) + **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](reinforcement-fine-tuning.md) + **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](model-distillation.md). Per informazioni sulle quote di personalizzazione del modello, consulta [Endpoint e quote di Amazon Bedrock](https://docs.aws.amazon.com/general/latest/gr/bedrock.html) 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](https://aws.amazon.com/bedrock/pricing/).