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.
Enviar um trabalho de personalização de modelo
É possível criar um modelo personalizado usando o Ajuste ou o Pré-treinamento contínuo no console ou na API do Amazon Bedrock. O trabalho de personalização pode demorar várias horas. A duração do trabalho depende do tamanho dos dados de treinamento (número de registros, tokens de entrada e tokens de saída), do número de epochs e do tamanho do lote. Escolha a guia do seu método preferido e siga as etapas:
- Console
-
Para enviar um trabalho de personalização de modelo no console, execute as etapas a seguir.
-
Faça login na função AWS Management Console usando uma função do IAM com as permissões do Amazon Bedrock e abra o console do Amazon Bedrock em. https://console.aws.amazon.com/bedrock/
-
No painel de navegação à esquerda, escolha Modelos personalizados em Modelos de base.
-
Na guia Modelos, escolha Personalizar modelo e Criar trabalho de ajuste ou Criar trabalho de pré-treinamento contínuo, dependendo do tipo de modelo que deseja treinar.
-
Na seção Detalhes do modelo, faça o seguinte:
-
Escolha o modelo que deseja personalizar com seus próprios dados e forneça um nome ao modelo resultante.
-
(Opcional) Por padrão, o Amazon Bedrock criptografa o modelo com uma chave que a AWS possui e gerencia. Para usar uma chave personalizada do KMS, selecione Criptografia de modelo e escolha uma chave.
-
(Opcional) Para associar as tags ao modelo personalizado, expanda a seção Tags e selecione Adicionar nova tag.
-
-
Na seção Configuração do trabalho, insira um nome para o trabalho e, opcionalmente, adicione quaisquer tags a serem associadas ao trabalho.
-
(Opcional) Para usar uma nuvem privada virtual (VPC) para proteger os dados de treinamento e o trabalho de personalização, selecione uma VPC que contenha os locais dos dados de entrada e dos dados de saída do Amazon S3, suas sub-redes e grupos de segurança na seção Configurações da VPC.
nota
Se o trabalho incluir a configuração de uma VPC, o console não poderá criar um perfil de serviço para o trabalho. Crie um perfil de serviço personalizado e adicione permissões semelhantes às do exemplo descrito em Anexar VPC permissões a uma função de personalização do modelo.
-
Na seção Dados de entrada, selecione o local do S3 do arquivo do conjunto de dados de treinamento e, se aplicável, do arquivo do conjunto de dados de validação.
-
Na seção Hiperparâmetros, insira os valores dos hiperparâmetros a serem usados no treinamento.
-
Na seção Dados de saída, insira o local do Amazon S3 no qual o Amazon Bedrock deve salvar a saída do trabalho. O Amazon Bedrock armazena as métricas de perda de treinamento e as métricas de perda de validação de cada epoch em arquivos separados no local especificado.
-
Na seção Acesso ao serviço selecione uma das seguintes opções:
-
Usar um perfil de serviço existente: selecione um perfil de serviço na lista suspensa. Para obter mais informações sobre como configurar um perfil personalizado com as permissões apropriadas, consulte Criar um perfil de serviço para a personalização de modelo.
-
Criar e usar um novo perfil de serviço: insira um nome para o perfil de serviço.
-
-
Escolha Ajustar modelo ou Criar trabalho de pré-treinamento contínuo para iniciar o trabalho.
-
- API
-
Solicitação
Envie uma solicitação CreateModelCustomizationJob(consulte o link para ver os formatos de solicitação e resposta e detalhes do campo) com um endpoint do plano de controle Amazon Bedrock para enviar um trabalho de personalização do modelo. No mínimo, forneça os campos a seguir.
-
roleArn
: o ARN do perfil de serviço com permissões para personalizar modelos. O Amazon Bedrock pode criar automaticamente um perfil com as permissões adequadas se você usar o console, ou você pode criar uma função personalizada seguindo as etapas em Criar um perfil de serviço para a personalização de modelo.nota
Se você incluir um campo
vpcConfig
, verifique se a função tem as permissões adequadas para acessar a VPC. Para obter um exemplo, consulte Anexar VPC permissões a uma função de personalização do modelo. -
baseModelIdentifier
: o ID do modelo ou ARN do modelo de base a ser personalizado. -
customModelName
: o nome a ser dado ao modelo recém-personalizado. -
jobName
: o nome a ser dado ao trabalho de treinamento. -
hyperParameters
: Hiperparâmetros que afetam o processo de personalização do modelo. -
trainingDataConfig
: um objeto que contém o URI do Amazon S3 do conjunto de dados de treinamento. Dependendo do método e do modelo de personalização, você também pode incluir umavalidationDataConfig
. Para obter mais informações sobre a preparação dos conjuntos de dados, consulte Preparar os conjuntos de dados. -
validationDataconfig
— Um objeto contendo o URI do Amazon S3 do conjunto de dados de validação. -
outputDataConfig
: um objeto que contém o URI do Amazon S3 no qual gravar os dados de saída.
Se você não especificar o
customizationType
, o método de personalização de modelo usaráFINE_TUNING
como padrão.Para evitar que a solicitação seja concluída mais de uma vez, inclua um
clientRequestToken
.É possível incluir os campos opcionais a seguir para configurações adicionais.
-
jobTags
e/oucustomModelTags
: associe as tags ao trabalho de personalização ou ao modelo personalizado resultante. -
customModelKmsKeyId
: inclua uma chave personalizada do KMS para criptografar o modelo personalizado. -
vpcConfig
: inclua a configuração de uma nuvem privada virtual (VPC) para proteger os dados de treinamento e o trabalho de personalização.
Resposta
A resposta retorna um
jobArn
que você pode usar para monitorar ou interromper o trabalho. -