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.
# Envie um trabalho de personalização de modelo para ajuste fino
Você pode criar um modelo personalizado usando o ajuste fino no console ou na API do Amazon Bedrock. É possível ajustar ainda mais um modelo já personalizado. 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.
## Pré-requisitos
+ Crie uma função de serviço AWS Identity and Access Management (IAM) para acessar o bucket do S3 em que você deseja armazenar seus dados de treinamento e validação de personalização do modelo. Você pode criar essa função automaticamente usando o Console de gerenciamento da AWS ou manualmente. Para ter mais informações sobre a opção manual, consulte [Criar um perfil de serviço do IAM para a personalização de modelo](custom-model-job-access-security.md#custom-model-job-service-role).
+ (Opcional) Criptografe dados de entrada e saída, trabalhos de personalização ou solicitações de inferência feitas a modelos personalizados. Para obter mais informações, consulte [Criptografia de modelos personalizados](encryption-custom-job.md).
+ (Opcional) Crie uma nuvem privada virtual (VPC) para proteger os trabalhos de personalização. Para obter mais informações, consulte [(Opcional) Proteger trabalhos de personalização de modelos usando uma VPC](custom-model-job-access-security.md#vpc-model-customization).
## Enviar seu trabalho
Escolha a guia correspondente ao método de sua preferência e siga as etapas:
------
#### [ Console ]
Para enviar um trabalho de personalização de modelo no console, execute as etapas a seguir.
1. Faça login no Console de gerenciamento da AWS com uma identidade do IAM que tenha permissões para usar o console Amazon Bedrock. Em seguida, abra o console Amazon Bedrock em [https://console.aws.amazon.com/bedrock.](https://console.aws.amazon.com/bedrock)
1. No painel de navegação à esquerda, escolha **Modelos personalizados** em **Ajustar**.
1. Na guia **Modelos**, escolha **Personalizar modelo** e, em seguida, **Criar tarefa de ajuste fino**.
1. Na seção **Detalhes do modelo**, faça o seguinte:
1. Escolha o modelo que deseja personalizar com seus próprios dados e forneça um nome ao modelo resultante. Você pode escolher um modelo de base ou um modelo previamente personalizado (ajustado ou destilado) como modelo de base.
1. (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](encryption-custom-job.md), selecione **Criptografia de modelo** e escolha uma chave.
1. (Opcional) Para associar as [tags](tagging.md) ao modelo personalizado, expanda a seção **Tags** e selecione **Adicionar nova tag**.
1. Na seção **Configuração do trabalho**, insira um nome para o trabalho e, opcionalmente, adicione quaisquer tags a serem associadas ao trabalho.
1. (Opcional) Para usar uma [nuvem privada virtual (VPC) para proteger os dados de treinamento e o trabalho de personalização](custom-model-job-access-security.md#vpc-model-customization), 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](model-customization-iam-role.md) e adicione permissões semelhantes às do exemplo descrito em [Anexe as permissões da VPC a um perfil de personalização de modelo.](custom-model-job-access-security.md#vpc-data-access-role).
1. 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.
1. Na seção **Hiperparâmetros**, insira os valores dos [hiperparâmetros](custom-models-hp.md) a serem usados no treinamento.
1. 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.
1. 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](model-customization-iam-role.md).
+ **Criar e usar um novo perfil de serviço**: insira um nome para o perfil de serviço.
1. Escolha o **modelo Fine-tune** para começar o trabalho.
------
#### [ API ]
**Solicitação**
Envie uma solicitação [CreateModelCustomizationJob](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_CreateModelCustomizationJob.html)(consulte o link para ver os formatos de solicitação e resposta e detalhes do campo) com um [endpoint do plano de controle Amazon Bedrock](https://docs.aws.amazon.com/general/latest/gr/bedrock.html#br-cp) 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](model-customization-iam-role.md).
**nota**
Se você incluir um campo `vpcConfig`, verifique se a função tem as permissões adequadas para acessar a VPC. Para obter um exemplo, consulte [Anexe as permissões da VPC a um perfil de personalização de modelo.](custom-model-job-access-security.md#vpc-data-access-role).
+ `baseModelIdentifier`: o [ID do modelo](models-supported.md) ou o ARN do modelo de base ou do modelo previamente personalizado (ajustado ou destilado) 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](custom-models-hp.md) 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 uma `validationDataConfig`. Para obter mais informações sobre a preparação dos conjuntos de dados, consulte [Prepare os dados para ajustar seus modelos](model-customization-prepare.md).
+ `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 usará `FINE_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` and/or `customModelTags`— Associe as [tags](tagging.md) ao trabalho de personalização ou ao modelo personalizado resultante.
+ `customModelKmsKeyId`: inclua uma [chave personalizada do KMS](encryption-custom-job.md) 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](custom-model-job-access-security.md#vpc-model-customization).
**Resposta**
A resposta retorna um `jobArn` que você pode usar para [monitorar](model-customization-monitor.md) ou [interromper](model-customization-stop.md) o trabalho.
[Consulte exemplos de código](model-customization-code-samples.md)
------