Seleccione sus preferencias de cookies

Usamos cookies esenciales y herramientas similares que son necesarias para proporcionar nuestro sitio y nuestros servicios. Usamos cookies de rendimiento para recopilar estadísticas anónimas para que podamos entender cómo los clientes usan nuestro sitio y hacer mejoras. Las cookies esenciales no se pueden desactivar, pero puede hacer clic en “Personalizar” o “Rechazar” para rechazar las cookies de rendimiento.

Si está de acuerdo, AWS y los terceros aprobados también utilizarán cookies para proporcionar características útiles del sitio, recordar sus preferencias y mostrar contenido relevante, incluida publicidad relevante. Para aceptar o rechazar todas las cookies no esenciales, haga clic en “Aceptar” o “Rechazar”. Para elegir opciones más detalladas, haga clic en “Personalizar”.

Personalización del modelo para mejorar su rendimiento según su caso de uso

Modo de enfoque
Personalización del modelo para mejorar su rendimiento según su caso de uso - Amazon Bedrock

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

La personalización del modelo es el proceso de proporcionar datos de entrenamiento a un modelo para mejorar su rendimiento en casos de uso específicos. Puede personalizar un modelo fundacional de Amazon Bedrock para mejorar su rendimiento y crear una mejor experiencia para el cliente. Actualmente, Amazon Bedrock ofrece los siguientes métodos de personalización.

  • Entrenamiento previo continuo

    Proporcione datos sin etiquetar para entrenar previamente un modelo fundacional para familiarizarlo con ciertos tipos de entradas. Puede proporcionar datos de temas específicos para exponer un modelo a dichas áreas. El proceso de entrenamiento previo continuado modificará los parámetros del modelo para adaptarlos a los datos de entrada y mejorar su conocimiento del dominio.

    Por ejemplo, puede entrenar un modelo con datos privados, como documentos empresariales, que no estén disponibles públicamente para entrenar modelos lingüísticos grandes. Además, puede seguir mejorando el modelo reentrenándolo con más datos sin etiquetar a medida que estén disponibles.

  • Ajuste

    Proporcione datos etiquetados para entrenar un modelo a fin de mejorar su rendimiento en tareas específicas. Al proporcionar un conjunto de datos de entrenamiento con ejemplos etiquetados, el modelo aprende a asociar qué tipos de salidas deben generarse para determinados tipos de entradas. Los parámetros del modelo se ajustan en el proceso y mejora el rendimiento del modelo de las tareas representadas en el conjunto de datos de entrenamiento.

Para obtener más información sobre las cuotas de personalización de los modelos, consulte los Amazon Bedrock endpoints and quotas en la Referencia general de AWS.

nota

El entrenamiento de modelos se cobra en función del número de tokens procesados por el modelo (número de tokens en el corpus de datos de entrenamiento x número de épocas) y el almacenamiento del modelo se cobra por mes y por modelo. Para obtener más información, consulte Precios de Amazon Bedrock.

Los pasos siguientes describen cómo personalizar el modelo.

  1. Cree un entrenamiento y, si corresponde, un conjunto de datos de validación para la tarea de personalización.

  2. Si planea usar una nueva IAM función personalizada, configure IAM los permisos para acceder a los buckets de S3 para sus datos. También puede utilizar un rol existente o dejar que la consola cree un rol de forma automática con los permisos adecuados.

  3. (Opcional) Configure KMSlas claves y/o VPCpara mayor seguridad.

  4. Cree un trabajo de ajuste o de entrenamiento previo continuo y controle el proceso de entrenamiento al ajustar los valores de los hiperparámetros.

  5. Analice los resultados mediante la observación de las métricas de entrenamiento o validación, o mediante la evaluación del modelo.

  6. Adquiera rendimiento aprovisionado para un modelo personalizado recién creado.

  7. Utilice su modelo personalizado tal y como haría con un modelo base en las tareas de Amazon Bedrock, como la inferencia de modelos.

PrivacidadTérminos del sitioPreferencias de cookies
© 2025, Amazon Web Services, Inc o sus afiliados. Todos los derechos reservados.