Enviar un trabajo de personalización de modelos

Puede crear un modelo personalizado mediante el ajuste preciso o la formación previa continua en la consola o la API de Amazon Bedrock. El trabajo de personalización puede tardar varias horas. La duración del trabajo depende del tamaño de los datos de entrenamiento (número de registros, fichas de entrada y señales de salida), del número de épocas y del tamaño del lote. Seleccione la pestaña correspondiente al método que prefiera y siga los pasos.

Console

Para enviar un trabajo de personalización de modelos en la consola, lleve a cabo los siguientes pasos.

1. En la consola de Amazon Bedrock, seleccione Modelos personalizados en Foundation Models en el panel de navegación izquierdo.

2. En la pestaña Modelos, seleccione Personalizar el modelo y, a continuación, Crear un trabajo de ajuste fino o Crear un trabajo de preentrenamiento continuo, según el tipo de modelo que desee entrenar.

3. En la sección Detalles del modelo, haga lo siguiente.

   1. Elija el modelo que desee personalizar con sus propios datos y asigne un nombre al modelo resultante.

   2. (Opcional) De forma predeterminada, Amazon Bedrock cifra el modelo con una clave que es propiedad de y está gestionada por. AWS Para usar una clave KMS personalizada, seleccione Modelo de cifrado y elija una clave.

   3. (Opcional) Para asociar etiquetas al modelo personalizado, expanda la sección Etiquetas y seleccione Añadir nueva etiqueta.

4. En la sección Configuración del trabajo, introduzca un nombre para el trabajo y, si lo desea, añada cualquier etiqueta para asociarlo al trabajo.

5. (Opcional) Para usar una nube privada virtual (VPC) para proteger los datos de entrenamiento y el trabajo de personalización, seleccione una VPC que contenga los datos de entrada y salida de las ubicaciones de Amazon S3, sus subredes y grupos de seguridad en la sección de configuración de VPC.

   nota

   Si incluye una configuración de VPC, la consola no puede crear un nuevo rol de servicio para el trabajo. Cree un rol de servicio personalizado y añada permisos similares al ejemplo descrito enAdjunte permisos de VPC a un rol de personalización del modelo.

6. En la sección Datos de entrada, selecciona la ubicación en S3 del archivo del conjunto de datos de entrenamiento y, si corresponde, del archivo del conjunto de datos de validación.

7. En la sección Hiperparámetros, introduzca los valores de los hiperparámetros que se utilizarán en el entrenamiento.

8. En la sección Datos de salida, introduzca la ubicación de Amazon S3 en la que Amazon Bedrock debe guardar la salida del trabajo. Amazon Bedrock almacena las métricas de pérdidas por entrenamiento y las métricas de pérdida por validación de cada época en archivos separados en la ubicación que especifique.

9. En la sección Acceso al servicio, realice una de las siguientes acciones:

   • Usar un rol de servicio existente: seleccione un rol de servicio en la lista desplegable. Para obtener más información sobre cómo configurar un rol personalizado con los permisos adecuados, consulte Crear un rol de servicio para la personalización del modelo.

   • Crear y usar un nuevo rol de servicio: introduzca un nombre para el rol de servicio.

10. Elija ajustar el modelo o crear un trabajo de preformación continua para comenzar el trabajo.

API

Solicitud

Envíe una solicitud CreateModelCustomizationJob(consulte el enlace para ver los formatos de solicitud y respuesta y los detalles del campo) a un punto final del plano de control de Amazon Bedrock para enviar un trabajo de personalización del modelo. Como mínimo, debe proporcionar los siguientes campos.

• roleArn— El ARN del rol de servicio con permisos para personalizar los modelos. Amazon Bedrock puede crear automáticamente un rol con los permisos adecuados si utiliza la consola, o puede crear un rol personalizado siguiendo los pasos que se indican enCrear un rol de servicio para la personalización del modelo.

  nota

  Si incluye un vpcConfig campo, asegúrese de que el rol tenga los permisos adecuados para acceder a la VPC. Para ver un ejemplo, consulte Adjunte permisos de VPC a un rol de personalización del modelo.

• baseModelIdentifier— El ID del modelo o el ARN del modelo de base que se va a personalizar.

• customModelName: el nombre que se le da al modelo recién personalizado.

• jobName: el nombre que se le da al trabajo de entrenamiento.

• hyperParameters— Hiperparámetros que afectan al proceso de personalización del modelo.

• trainingDataConfig— Un objeto que contiene el URI de Amazon S3 del conjunto de datos de entrenamiento. Según el método y el modelo de personalización, también puede incluir unvalidationDataConfig. Para obtener más información sobre la preparación de los conjuntos de datos, consultePreparar los conjuntos de datos.

• outputDataConfig— Un objeto que contiene el URI de Amazon S3 en el que escribir los datos de salida.

Si no lo especificacustomizationType, el método de personalización del modelo se establece de forma predeterminada en. FINE_TUNING

Para evitar que la solicitud se complete más de una vez, incluya unclientRequestToken.

Puede incluir los siguientes campos opcionales para configuraciones adicionales.

• jobTagsy/ocustomModelTags: asocie las etiquetas al trabajo de personalización o al modelo personalizado resultante.

• customModelKmsKeyId— Incluya una clave KMS personalizada para cifrar su modelo personalizado.

• vpcConfig— Incluya la configuración de una nube privada virtual (VPC) para proteger sus datos de entrenamiento y su trabajo de personalización.

Respuesta

La respuesta devuelve una jobArn que puede utilizar para supervisar o detener el trabajo.

Consulte los ejemplos de código