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.
Cómo elegir un servicio de IA generativa
¿Dar el primer paso
| Finalidad |
Determine qué servicios de IA AWS generativa son los más adecuados para su organización. |
| Última actualización |
14 de febrero de 2025 |
| Servicios cubiertos |
|
Introducción
La IA generativa es un conjunto de sistemas y modelos de inteligencia artificial (IA) diseñados para generar contenido como código, texto, imágenes, música u otras formas de datos. Estos sistemas pueden producir contenido nuevo a partir de patrones y conocimientos aprendidos de los datos existentes. Cada vez más, las organizaciones y las empresas utilizan la IA generativa para:
-
Automatice los flujos de trabajo creativos: utilice los servicios de inteligencia artificial generativa para automatizar los flujos de trabajo de los procesos creativos que consumen mucho tiempo, como la escritura, la creación de imágenes o vídeos y el diseño gráfico.
-
Personalice y personalice el contenido: genere contenido específico, recomendaciones de productos y ofertas personalizadas para un contexto específico de la audiencia.
-
Aumente los datos: sintetice grandes conjuntos de datos de entrenamiento para otros modelos de aprendizaje automático a fin de desbloquear escenarios en los que los datos etiquetados por humanos son escasos.
-
Reduzca los costos: reduzca potencialmente los costos mediante el uso de datos, contenido y activos digitales sintetizados.
-
Experimentación más rápida: pruebe y repita más variaciones de contenido y conceptos creativos de lo que sería posible de forma manual.
Esta guía le ayuda a seleccionar los servicios y herramientas de IA AWS generativa que mejor se adapten a sus necesidades y a su organización.
¿Entiende
Amazon ofrece una gama de servicios, aplicaciones, herramientas e infraestructura de soporte de IA generativa. La opción que utilices depende en gran medida de los siguientes factores:
-
Qué estás intentando hacer
-
Cuántas opciones necesita en los modelos básicos que utiliza
-
El grado de personalización que necesita en sus aplicaciones de IA generativa
-
La experiencia de su organización
Amazon Q Business y Amazon Q Developer: aplicaciones para aumentar la productividad
Amazon Q Business y Amazon Q Developer, que ocupan los primeros puestos de la gama de IA generativa de Amazon, utilizan modelos lingüísticos de gran tamaño (LLM) y modelos básicos. Sin embargo, no es necesario que elijas un modelo de forma explícita. Cada una de estas aplicaciones admite diferentes casos de uso y todas funcionan con la tecnología de Amazon Bedrock.
Obtenga más información sobre los principales asistentes impulsados por IA generativa disponibles actualmente:
- Amazon Q Business
-
Amazon Q Business puede responder preguntas, ofrecer resúmenes, generar contenido y completar tareas de forma segura basándose en los datos de los sistemas de su empresa. Es compatible con el caso de uso general de la IA generativa para empezar a aprovechar al máximo la información de su empresa. Con Amazon Q Business, puede realizar English-language consultas sobre esa información. Proporciona respuestas de una manera adecuada a las necesidades de su equipo. Además, puede crear aplicaciones Amazon Q ligeras y diseñadas específicamente dentro de su suscripción a Amazon Q Business Pro.
- Amazon Q Developer
-
Con Amazon Q Developer, puede comprender, crear, ampliar y utilizar aplicaciones. AWS Los casos de uso admitidos incluyen tareas que van desde la codificación, la prueba y la actualización de aplicaciones hasta el diagnóstico de errores, la realización de análisis y correcciones de seguridad y la optimización de AWS los recursos. Las funciones avanzadas de planificación y razonamiento en varios pasos de Amazon Q Developer tienen como objetivo reducir el trabajo que implican las tareas comunes (como la actualización de la versión de Java). Estas capacidades también pueden ayudar a implementar nuevas funciones generadas a partir de las solicitudes de los desarrolladores.
Las funciones de Amazon Q Developer están disponibles como parte de sus flujos de trabajo en otras aplicaciones Servicios de AWS, como Amazon Q Developer en aplicaciones de chat, Amazon CodeCatalyst, Amazon EC2 y VPC Reachability Analyzer. AWS Glue
Chatee con Amazon Q Developer para consultar y explorar su AWS infraestructura directamente desde. Consola de administración de AWS Al utilizar instrucciones en lenguaje natural para interactuar con sus recursos Cuenta de AWS, puede obtener detalles específicos de los recursos y preguntar sobre las relaciones entre los recursos.
- Amazon Q in Quick
-
Amazon Q in Quick tiene como objetivo satisfacer las necesidades de un caso de uso específico: obtener información útil a partir de sus datos conectando Amazon Q al servicio de inteligencia empresarial (BI) Amazon Q Quick. Puede usarlo para crear visualizaciones de sus datos, resumir información, responder preguntas sobre datos y crear historias de datos utilizando lenguaje natural.
- Amazon Q in Connect
-
Amazon Q in Connect puede detectar automáticamente los problemas de los clientes. Proporciona a los agentes del servicio de atención al cliente información contextual de los clientes, junto con sugerencias de respuestas y acciones para una resolución más rápida de los problemas. Combina las capacidades del servicio de centro de contacto en la nube de Amazon Connect con Amazon Q. Amazon Q in Connect puede utilizar las conversaciones en tiempo real con los clientes, junto con el contenido relevante de la empresa, para recomendar qué decir o qué medidas debe tomar un agente para ayudar a los clientes.
Amazon Bedrock: cree y escale su aplicación de inteligencia artificial generativa con FM
Si está desarrollando aplicaciones de IA personalizadas, necesita acceder a varios modelos básicos y quiere tener más control sobre los modelos y los resultados de la IA, Amazon Bedrock podría ser el servicio que satisfaga sus necesidades. Amazon Bedrock es un servicio totalmente gestionado para crear aplicaciones de IA generativas, compatible con modelos básicos populares, como Amazon Nova, Amazon Titan , Anthropic Claude DeepSeek-R1, Cohere Command & Embed, AI21 Labs Jurassic, Meta Llama, Mistral AI y Stable Diffusion XL.
Utilice Amazon Bedrock Marketplace para descubrir, probar y utilizar más de 100 máquinas virtuales populares, emergentes y especializadas. Los FM compatibles se actualizan periódicamente.
Además, Amazon Bedrock proporciona lo que necesita para crear aplicaciones de IA generativas con seguridad, privacidad y una IA responsable, independientemente del modelo básico que elija. También ofrece acceso a una API única e independiente del modelo y la flexibilidad de usar diferentes modelos básicos y actualizarlos a las versiones más recientes de los modelos, con cambios mínimos en el código.
Obtenga más información sobre las funciones clave de Amazon Bedrock:
- Model customization
-
La personalización del modelo puede ofrecer experiencias de usuario diferenciadas y personalizadas. Para personalizar los modelos para tareas específicas, puede ajustar las máquinas virtuales de forma privada utilizando sus propios conjuntos de datos etiquetados. Los modelos personalizados incluyen funciones como el ajuste detallado y el entrenamiento previo continuo con conjuntos de datos sin etiquetar. La lista de máquinas virtuales para las que Amazon Bedrock admite ajustes incluye Amazon Nova Micro, Lite y Pro, Anthropic Claude 3 Haiku, Cohere Command, Meta Llama 2, Amazon Titan Text Lite and Express, Amazon Titan Multimodal Embeddings y Amazon Titan Image Generator. La lista de FM compatibles se actualiza de forma continua.
Además, puede usar Amazon Bedrock Custom Model Import para traer sus propios modelos personalizados y usarlos en Amazon Bedrock.
- Knowledge Bases
-
Amazon Bedrock Knowledge Bases es una función totalmente gestionada que puede utilizar para implementar todo el flujo de trabajo de generación aumentada de recuperación (RAG), desde la ingestión hasta la recuperación y el aumento inmediato, sin tener que crear integraciones personalizadas con las fuentes de datos y gestionar los flujos de datos. La administración del contexto de las sesiones está integrada, por lo que su aplicación puede admitir conversaciones en varios turnos. Puedes usar la API Retrieve para obtener resultados relevantes para una consulta de usuario a partir de las bases de conocimiento.
Con RAG, puede proporcionar un modelo con nuevos conocimientos o información actualizada de varias fuentes, incluidos repositorios de documentos, bases de datos y API. Por ejemplo, el modelo puede usar RAG para recuperar los resultados de búsqueda de Amazon OpenSearch Service o los documentos de Amazon Simple Storage Service. Amazon Bedrock Knowledge Bases gestiona completamente esta experiencia mediante la conexión a sus fuentes de datos privadas, como Amazon Aurora, Amazon OpenSearch Serverless, MongoDB, Pinecone y Redis Enterprise Cloud. Esta lista incluye conectores para Salesforce, Confluence y SharePoint (en versión preliminar), para que pueda acceder a más datos empresariales y personalizar los modelos según sus necesidades específicas.
- Agents
-
Amazon Bedrock Agents le ayuda a planificar y crear tareas de varios pasos utilizando los sistemas y las fuentes de datos de la empresa, desde responder a las preguntas de los clientes sobre la disponibilidad de sus productos hasta recibir sus pedidos. Para crear un agente, primero debe seleccionar un administrador de gestión y, a continuación, proporcionarle acceso a los sistemas, las bases de conocimiento y las AWS Lambda funciones de su empresa para ejecutar las API de forma segura. Un agente analiza la solicitud del usuario y una función de Lambda o su aplicación pueden llamar automáticamente a las API y fuentes de datos necesarias para cumplir con la solicitud.
Los agentes pueden retener la memoria de varias interacciones para recordar dónde lo dejaste por última vez y ofrecer mejores recomendaciones basadas en interacciones anteriores. Los agentes también pueden interpretar el código para abordar casos de uso complejos basados en datos, como el análisis de datos, la visualización de datos, el procesamiento de textos, la resolución de ecuaciones y los problemas de optimización.
- Guardrails
-
Amazon Bedrock Guardrails evalúa las entradas de los usuarios y las respuestas de FM en función de las políticas específicas de los casos de uso y proporciona un nivel adicional de protección, independientemente del FM subyacente. Con una descripción breve en lenguaje natural, puede usar Amazon Bedrock Guardrails para definir un conjunto de temas que debe evitar en el contexto de su aplicación. Guardrails detecta y bloquea las entradas de los usuarios y las respuestas de FM que pertenecen a los temas restringidos.
Guardrails permite realizar comprobaciones contextuales para detectar alucinaciones en las respuestas de los modelos en las aplicaciones que utilizan aplicaciones de generación aumentada de recuperación (RAG) y sumarización. Las comprobaciones contextuales refuerzan la protección de seguridad de Guardrails para garantizar que la respuesta de LLM se basa en los datos de origen empresarial correctos, y evalúan la respuesta de LLM para confirmar que es relevante para la consulta o instrucción del usuario. Las comprobaciones contextuales permiten detectar y filtrar más del 75% de las respuestas alucinadas para las cargas de trabajo de resumen y de RAG.
- Converse API
-
Utilice la API Converse de Amazon Bedrock para crear aplicaciones conversacionales que envíen y reciban mensajes desde y hacia un modelo de Amazon Bedrock. Por ejemplo, puede crear un chatbot que mantenga una conversación durante varios turnos y utilice una personalización de personalidad o tono que se adapte exclusivamente a sus necesidades, por ejemplo, un asistente de soporte técnico útil.
- Tool use (function calling)
-
El uso de herramientas (llamada a funciones) permite a la modelo acceder a herramientas que pueden ayudarla a generar respuestas para los mensajes que le envíes. Por ejemplo, puede tener una aplicación de chat que permita a los usuarios encontrar la canción más popular que se reproduce en una emisora de radio. Para responder a una solicitud de la canción más popular, un modelo necesita una herramienta que pueda consultar y devolver la información de la canción.
- Amazon Bedrock IDE
-
Utilice Amazon Bedrock IDE, una experiencia de desarrollo en Amazon SageMaker Unified Studio (en versión preliminar), que le permite descubrir los modelos de Amazon Bedrock y crear aplicaciones de IA generativas que utilicen los modelos y las funciones de Amazon Bedrock. Por ejemplo, puede usar un área de chat para probar una línea de comandos con un modelo de Anthropic Claude sin tener que escribir ningún código. Más adelante, puede usar el IDE de Amazon Bedrock para crear una aplicación de IA generativa que utilice un modelo y funciones de Amazon Bedrock, como una base de conocimientos o una barrera, sin tener que escribir ningún código.
- Prompt management
-
Utilice Amazon Bedrock para crear y guardar sus propias solicitudes mediante la gestión de solicitudes, de modo que pueda ahorrar tiempo al aplicar la misma solicitud a diferentes flujos de trabajo. Al crear una petición, puede seleccionar un modelo para realizar inferencias en él y modificar los parámetros de inferencia que desee utilizar. Puede incluir variables en la petición para poder adaptarla a diferentes casos de uso.
- Prompt flows
-
Prompt flows para Amazon Bedrock le ofrece la posibilidad de utilizar los FM compatibles para crear flujos de trabajo mediante la vinculación de solicitudes, modelos fundamentales y otros elementos con el fin de crear soluciones integrales. Servicios de AWS
Con los flujos rápidos, puede crear rápidamente flujos de trabajo de IA generativa complejos mediante un generador visual. Puede integrarse con las ofertas de Amazon Bedrock, como las máquinas virtuales, las bases de conocimiento y otras, por Servicios de AWS ejemplo, AWS Lambda mediante la transferencia de datos entre ellas. También puede implementar flujos de trabajo inmutables para pasar de las pruebas a la producción en unos pocos clics.
Amazon SageMaker AI (anteriormente Amazon SageMaker): cree modelos personalizados y controle todo el ciclo de vida del aprendizaje automático, desde la preparación de los datos hasta la implementación y el monitoreo del modelo
Con Amazon SageMaker AI, puede crear, entrenar e implementar modelos de aprendizaje automático, incluidos los FM, a escala. Considere esta opción cuando tenga casos de uso en los que pueda beneficiarse de una amplia formación, ajuste y personalización de los modelos básicos. También agiliza la tarea, a veces difícil, de evaluar qué FM es la más adecuada para su caso de uso.
Amazon SageMaker AI también proporciona infraestructura y herramientas diseñadas específicamente para su uso durante todo el ciclo de vida del aprendizaje automático, incluidos los entornos de desarrollo integrados (IDE), la infraestructura de formación distribuida, las herramientas de gobierno, las herramientas de operaciones de aprendizaje automático (MLOP), las opciones y recomendaciones de inferencia y la evaluación de modelos.
Utilice las aplicaciones de inteligencia artificial de los SageMaker socios de Amazon para acceder a aplicaciones de desarrollo generativas de inteligencia artificial y aprendizaje automático (ML) creadas, publicadas y distribuidas por los principales proveedores de aplicaciones del sector. Las aplicaciones de IA de los socios están certificadas para funcionar con inteligencia artificial. SageMaker Con Partner AI Apps, puede mejorar la forma de crear soluciones basadas en modelos básicos (FM) y modelos clásicos de aprendizaje automático sin comprometer la seguridad de sus datos confidenciales. Los datos permanecen completamente dentro de su configuración de seguridad confiable y nunca se comparten con terceros.
SageMaker La IA forma parte de la próxima generación de Amazon SageMaker, que incluye:
-
Amazon SageMaker Unified Studio (en versión preliminar), una experiencia de desarrollo unificada que reúne servicios de AWS
datos, análisis, inteligencia artificial (IA) y aprendizaje automático (ML).
-
AWS herramientas para flujos de trabajo de desarrollo completos, incluidos el desarrollo de modelos, el desarrollo de aplicaciones de IA generativa, el procesamiento de datos y el análisis de SQL, en un único entorno gobernado. Cree o únase a proyectos para colaborar con sus equipos, compartir de forma segura artefactos de inteligencia artificial y análisis y acceder a los datos almacenados en Amazon Simple Storage Service (Amazon S3), Amazon Redshift y más fuentes de datos a través de Amazon SageMaker Lakehouse.
Explore las características clave de la SageMaker IA que pueden ayudarlo a determinar cuándo usarla:
- Amazon SageMaker JumpStart
-
Amazon SageMaker JumpStart es un centro de aprendizaje automático que brinda acceso a modelos básicos disponibles públicamente. Estos modelos incluyen Mistral, Llama 3 y Falcon 2. CodeLlama Se pueden personalizar con técnicas avanzadas de ajuste e implementación, como la eficiencia de parámetros Fine-Tuning (PEFT) y Low-Rank la adaptación (LoRa).
La siguiente captura de pantalla muestra algunos de los modelos disponibles en Amazon SageMaker JumpStart dentro del. Consola de administración de AWS
- Amazon SageMaker Clarify
-
Amazon SageMaker Clarify aborda la importante decisión de qué modelo base utilizar. Utilice Amazon SageMaker Clarify para crear trabajos de evaluación de modelos. Un trabajo de evaluación de modelos evalúa y compara las métricas de calidad y responsabilidad de los modelos con los modelos básicos basados en texto a partir de los cuales se basan. JumpStart Los trabajos de evaluación de modelos también admiten el uso de JumpStart modelos que ya se han implementado en un punto final.
- Amazon SageMaker Canvas
-
Con Amazon SageMaker Canvas, puede utilizar el aprendizaje automático para generar predicciones sin necesidad de escribir código. También puede usar Amazon SageMaker Canvas en colaboración con Amazon Bedrock para ajustar e implementar modelos lingüísticos.
En esta entrada de blog se describe cómo puede utilizarlos para optimizar la interacción con los clientes trabajando con sus propios conjuntos de datos (por ejemplo, las preguntas frecuentes sobre los productos) en Amazon Bedrock y Amazon. SageMaker JumpStart El siguiente diagrama, extraído de esta entrada de blog, muestra cómo Amazon SageMaker Canvas y Amazon Bedrock pueden utilizarse de forma conjunta para ajustar e implementar modelos lingüísticos.
- Amazon SageMaker Studio
-
Amazon SageMaker Studio es una experiencia basada en la web para ejecutar flujos de trabajo de aprendizaje automático. Studio ofrece un conjunto de entornos de desarrollo integrados (IDE). Estos incluyen el editor de código Code-OSS, basado en Visual Studio Code de código abierto, una nueva JupyterLab aplicación, RStudio y Amazon SageMaker Studio Classic. Para obtener más información, consulte Aplicaciones compatibles con Amazon SageMaker Studio.
La interfaz de usuario basada en la web de Studio proporciona acceso a todos los recursos de SageMaker IA, incluidos los trabajos y los puntos finales, en una sola interfaz. Los profesionales del machine learning también pueden elegir su IDE preferido para acelerar el desarrollo del machine learning. Un científico de datos puede JupyterLab utilizarla para explorar datos y ajustar modelos. Además, un ingeniero de operaciones de machine learning (MLOps) puede usar el editor de código con la herramienta de canalizaciones de Studio para implementar y supervisar los modelos en producción.
Amazon SageMaker Studio incluye asistencia de inteligencia artificial generativa, impulsada por Amazon Q Developer, directamente en su entorno de desarrollo JupyterLab integrado (IDE). Con Q Developer, puede acceder a la orientación de expertos sobre las funciones de la SageMaker IA, la generación de código y la resolución de problemas.
Infraestructura para crear y entrenar modelos de IA
AWS ofrece hardware acelerado y especializado para el entrenamiento e inferencia de aprendizaje automático de alto rendimiento.
Considera
Una vez que te hayas decidido por un servicio de IA generativa, elige el modelo básico (FM) que te ofrezca los mejores resultados para tu caso de uso.
Amazon Bedrock cuenta con una capacidad de evaluación de modelos que puede ayudarle a evaluar, comparar y seleccionar los mejores FM para su caso de uso.
Estos son algunos factores críticos que debe tener en cuenta al elegir una FM adecuada para su caso de uso:
- Modality
-
Identifique el uso cases/modality
Qué es: La modalidad se refiere al tipo de datos que procesa el modelo: texto, imágenes (visión) o incrustaciones.
Por qué es importante: la modalidad elegida debe estar en consonancia con los datos con los que se trabaja. Por ejemplo, si tu proyecto implica el procesamiento del lenguaje natural, un modelo basado en texto como Claude, Llama 3.1 o Titan Text G1 es adecuado. Si quieres crear incrustaciones, puedes usar un modelo como Titan Embeddings G1. https://docs.aws.amazon.com/bedrock/latest/userguide/titan-embedding-models.html Del mismo modo, para las tareas relacionadas con imágenes, modelos como Stable Diffusion XL y Titan Image Generator v2 son más apropiados. Su caso práctico también podría implicar tener en cuenta su fuente de datos y la compatibilidad con los conectores de fuentes de datos, como los que se proporcionan en Amazon Q Business.
- Model size
-
Talla del modelo
Qué es: Este criterio se refiere al número de parámetros de un modelo. Un parámetro es una variable de configuración interna del modelo. Sus valores se pueden estimar (entrenar) durante la fase de entrenamiento a partir de los datos de entrenamiento dados. Los parámetros son cruciales, ya que definen directamente la capacidad del modelo para aprender de los datos. Los modelos grandes suelen tener más de 50 000 millones de parámetros.
Por qué es importante: la cantidad de parámetros es un indicador clave de la complejidad del modelo. Más parámetros significan que el modelo puede capturar patrones y matices más complejos en los datos, lo que generalmente se traduce en un mejor rendimiento. Sin embargo, el entrenamiento de estos modelos no solo es caro, sino que también requieren más recursos computacionales para funcionar.
- Inference latency
-
Latencia de inferencia
Qué es: La velocidad de inferencia, o latencia, es el tiempo que tarda un modelo en procesar la entrada (a menudo medida en fichas) y devolver una salida. Este tiempo de procesamiento es crucial cuando las respuestas del modelo forman parte de un sistema interactivo, como un desarrollador de Amazon Q en las aplicaciones de chat.
Por qué es importante: los tiempos de respuesta rápidos son esenciales para las aplicaciones en tiempo real, como los chatbots interactivos o los servicios de traducción instantánea. Estas aplicaciones dependen de la capacidad del modelo para procesar y responder a las solicitudes con rapidez a fin de mantener una experiencia de usuario fluida. Si bien los FM más grandes suelen ofrecer respuestas más detalladas y precisas, sus arquitecturas complejas pueden reducir las velocidades de inferencia. Este procesamiento más lento puede frustrar a los usuarios que esperan una interacción inmediata.
Para hacer frente a este desafío, puede elegir modelos optimizados para obtener respuestas más rápidas, incluso si esto implica comprometer en cierta medida la profundidad o la precisión de las respuestas.
- Context window
-
Maximizar la ventana de contexto
Qué es: La ventana de contexto de un modelo lingüístico grande es la cantidad de texto (en fichas) que el modelo puede tener en cuenta en cualquier momento al generar respuestas.
Por qué es importante: las ventanas de contexto más grandes permiten al modelo recordar y procesar más información en una sola ejecución. Esta capacidad es particularmente valiosa en tareas complejas, como la comprensión de documentos extensos, la participación en conversaciones detalladas o la generación de texto contextualmente preciso en períodos más largos.
Por ejemplo, en una conversación, un modelo con una ventana de contexto más grande puede recordar más del diálogo anterior y ofrecer respuestas que sean más relevantes para toda la conversación. Esto se traduce en una experiencia de usuario más natural y satisfactoria, ya que el modelo puede mantener el hilo del debate sin perder el contexto.
- Pricing
-
Consideraciones sobre los precios
Qué es: El costo de usar un FM depende de la complejidad del modelo y de la estructura de precios del proveedor del modelo.
Por qué es importante: la implementación de modelos de alto rendimiento suele conllevar costos elevados debido al aumento de las necesidades informáticas. Si bien estos modelos proporcionan capacidades avanzadas, sus gastos operativos pueden ser elevados, especialmente para empresas emergentes o proyectos más pequeños con presupuestos ajustados.
Los modelos más pequeños y que consumen menos recursos ofrecen una opción más económica sin comprometer significativamente el rendimiento. Compare el costo del modelo con sus beneficios para asegurarse de que se ajusta a las restricciones financieras de su proyecto y le brinda el mejor valor por su inversión.
- Fine-tuning
-
Fine-tuning y capacidad continua de formación previa
Qué es: Fine-tuning es un proceso de capacitación especializado en el que un modelo previamente entrenado que se ha entrenado con un conjunto de datos genérico grande se entrena (o se ajusta) con un conjunto de datos específico más pequeño. Este proceso adapta el modelo a las particularidades de los nuevos datos, lo que mejora su rendimiento en las tareas relacionadas. La formación previa continua, por otro lado, implica ampliar la fase inicial de formación previa con una formación adicional sobre los datos nuevos y emergentes que no formaban parte del conjunto de formación original, lo que ayuda a que el modelo siga siendo relevante a medida que los datos evolucionan. También puedes usar la generación aumentada de recuperación (RAG) para recuperar datos de fuera de un FM y aumentar tus solicitudes añadiendo los datos recuperados relevantes en su contexto.
Por qué es importante: con el ajuste detallado, puedes aumentar la precisión del modelo al proporcionar tu propio conjunto de datos de entrenamiento etiquetado para tareas específicas y, además, especializar aún más tus FM. Con una formación previa continua, puede entrenar modelos utilizando sus propios datos sin etiquetar en un entorno seguro y gestionado. La capacitación previa continua ayuda a los modelos a ser más específicos de un dominio al acumular conocimientos más sólidos y una capacidad de adaptación más allá de su capacitación original.
- Data quality
-
Calidad de datos
La calidad de los datos es un factor fundamental para el éxito de una aplicación de IA generativa. Tenga en cuenta los siguientes factores de calidad:
-
Relevancia: asegúrate de que los datos que utilizas para entrenar tu modelo de IA generativa sean relevantes para tu aplicación. Los datos irrelevantes o ruidosos pueden provocar un rendimiento deficiente del modelo.
-
Precisión: los datos deben ser precisos y estar libres de errores. Los datos inexactos pueden inducir a error al modelo y generar resultados incorrectos.
-
Coherencia: mantenga la coherencia de sus datos. Las inconsistencias en los datos pueden confundir al modelo y dificultar su capacidad para aprender patrones.
-
Sesgo e imparcialidad: tenga en cuenta los sesgos de sus datos, ya que pueden provocar sesgos en los resultados del modelo. Tome medidas para mitigar los sesgos y ayude a garantizar la equidad en su sistema de IA generativa.
-
Anotación y etiquetado: si su aplicación requiere datos etiquetados, verifique que las anotaciones o etiquetas sean de alta calidad y hayan sido creadas por expertos.
-
Preprocesamiento de datos: prepare sus datos limpiándolos y preprocesándolos. Esto puede implicar la tokenización del texto, el cambio de tamaño de las imágenes u otras transformaciones específicas de los datos para que sean adecuados para la formación.
- Data quantity
-
Cantidad de datos
La cantidad y la calidad van de la mano. Tenga en cuenta los siguientes factores cuantitativos:
-
Datos suficientes: en la mayoría de los casos, más datos es mejor. Los conjuntos de datos más grandes permiten al modelo aprender una gama más amplia de patrones y generalizar mejor. Sin embargo, la cantidad de datos requerida puede variar según la complejidad de la aplicación.
-
Aumento de datos: si tiene limitaciones en la cantidad de datos disponibles, considere la posibilidad de utilizar técnicas de aumento de datos. Estas técnicas implican generar ejemplos de entrenamiento adicionales mediante la aplicación de transformaciones a los datos existentes. Por ejemplo, puedes rotar, recortar o voltear imágenes o parafrasear el texto para crear más ejemplos de entrenamiento.
-
Equilibrar los datos: asegúrate de que tu conjunto de datos esté equilibrado, especialmente si se espera que tu aplicación de IA generativa produzca resultados con una representación equitativa en diferentes categorías o clases. Los conjuntos de datos desequilibrados pueden generar resultados sesgados en los modelos.
-
Transferencia del aprendizaje: para ciertas aplicaciones, puede utilizar modelos previamente entrenados. Con el aprendizaje por transferencia, puede usar modelos que se entrenaron en conjuntos de datos masivos y ajustarlos con sus datos específicos, lo que a menudo requiere menos datos para su ajuste.
También es importante supervisar y actualizar de forma continua el conjunto de datos a medida que evolucionan las aplicaciones de IA generativa y hay nuevos datos disponibles.
- Quality of response
-
Calidad de respuesta
Qué es: El criterio más esencial es la calidad de la respuesta. Aquí es donde se evalúa el resultado de un modelo en función de varios parámetros de calidad, como la precisión, la relevancia, la toxicidad, la imparcialidad y la solidez frente a los ataques adversarios.
-
La precisión mide la frecuencia con la que las respuestas del modelo son correctas (y normalmente se comparan con un estándar o una línea de base preconfigurada).
-
La relevancia evalúa la adecuación de las respuestas al contexto o a la pregunta planteada.
-
Verifica la toxicidad para detectar sesgos dañinos o contenido inapropiado en los resultados del modelo.
-
La imparcialidad evalúa si las respuestas del modelo son imparciales en los diferentes grupos.
-
La solidez indica qué tan bien el modelo puede manejar las entradas intencionalmente engañosas o malintencionadas diseñadas para confundirlo.
Por qué es importante: la confiabilidad y la seguridad de los resultados del modelo son fundamentales, especialmente en las aplicaciones que interactúan directamente con los usuarios o toman decisiones automatizadas que pueden afectar la vida de las personas. High-qualitylas respuestas garantizan la confianza y la satisfacción de los usuarios, lo que reduce el riesgo de problemas de comunicación y mejora la experiencia general del usuario, ganándose así la confianza de sus clientes.
Elija
| Categoría de IA generativa |
¿Para qué está optimizada? |
Servicios de IA generativa |
|
Amazon Q
|
Generar código y responder a preguntas relacionadas con los datos empresariales mediante la conexión a repositorios de datos empresariales para resumir los datos de forma lógica, analizar las tendencias y entablar un diálogo sobre los datos.
|
Amazon Q Business
Amazon Q Developer
|
|
Amazon Bedrock
|
Ofrece una variedad de modelos básicos, los personaliza con sus propios datos y crea aplicaciones de IA generativas con las herramientas de creación que ofrece Amazon Bedrock.
|
Amazon Bedrock
IDE de Amazon Bedrock
Amazon Nova
Titán amazónico
|
|
SageMaker Inteligencia artificial de Amazon
|
Creación, formación e implementación de modelos de aprendizaje automático, incluidos los modelos básicos, a escala.
|
SageMaker Inteligencia artificial de Amazon
|
|
Infraestructura para el entrenamiento y la inferencia de FM
|
Ofrece servicios que maximizan la relación precio-rendimiento y beneficios en el entrenamiento y la inferencia de FM.
|
AWS Trainium
AWS Inferentia
|
Uso
Ahora que hemos explicado los criterios que debes aplicar para elegir un servicio de IA AWS generativa, puedes seleccionar qué servicios están optimizados para tus necesidades y explorar cómo puedes empezar a utilizar cada uno de ellos.
- Amazon Q Business
-
¿Qué es Amazon Q Business?
Obtenga una descripción general de Amazon Q Business, con explicaciones sobre qué es, cómo funciona y cómo empezar a usarlo.
Explore la guía
Cree una aplicación Amazon Q Business
Aprenda a crear su primera aplicación de Amazon Q Business en la interfaz de línea de comandos (CLI) Consola de administración de AWS o mediante la misma.
Explore la guía
Combine Amazon Q Business y AWS IAM Identity Center cree aplicaciones de IA generativas
Cree aplicaciones de IA generativa empresariales privadas y seguras con Amazon Q Business y. AWS IAM Identity Center
Lea la entrada del blog
- Amazon Q Developer
-
¿Qué es Amazon Q Developer?
Obtenga una descripción general de Amazon Q Developer, con explicaciones sobre qué es, cómo funciona y cómo empezar a usarlo.
Explore la guía
Conozca los niveles de servicio de Amazon Q Developer
Revise la siguiente información para comprender los niveles de servicio de Amazon Q Developer, incluidos Amazon Q Developer Pro y Amazon Q Developer en la capa gratuita.
Explore la guía
Trabajando con IA de agencia
Utilice el Builder Center para acceder rápidamente a artículos clave, entradas de blog, vídeos y consejos sobre cómo crear, implementar y ampliar los agentes de IA con ayuda de ella. AWS
Explore la IA de las agencias en el Builder Center
- Amazon Bedrock
-
¿Qué es Amazon Bedrock?
Aprenda a usar este servicio totalmente gestionado para que los modelos básicos (FM) de Amazon y de terceros estén disponibles para su uso a través de una API unificada.
Explore la guía
Preguntas frecuentes sobre Amazon Bedrock
Obtenga respuestas a las preguntas más frecuentes sobre Amazon Bedrock, que incluyen cómo usar los agentes, las consideraciones de seguridad, los detalles sobre los kits de desarrollo de software (SDK) de Amazon Bedrock, la generación aumentada de recuperación (RAG), cómo utilizar la evaluación de modelos y cómo funciona la facturación.
Lea las preguntas frecuentes
Guía para generar descripciones de productos con Amazon Bedrock
Aprenda a usar Amazon Bedrock como parte de una solución para automatizar el proceso de revisión y aprobación de productos para un mercado de comercio electrónico o un sitio web minorista.
Explore la solución
- Amazon Bedrock in SageMaker Unified Studio
-
El IDE de Amazon Bedrock pasa a llamarse Amazon Bedrock en SageMaker Unified Studio.
-
¿Qué es Amazon Bedrock en SageMaker Unified Studio?
Utilice este IDE para descubrir los modelos de Amazon Bedrock y crear aplicaciones de IA generativas que utilicen los modelos y las funciones de Amazon Bedrock.
Explore la guía
-
Cree aplicaciones de IA generativas con Amazon Bedrock en Unified Studio SageMaker
En esta entrada de blog se describe cómo puede crear aplicaciones con una amplia gama de modelos de alto rendimiento. A continuación, explica cómo evaluar y compartir sus aplicaciones de IA generativa con el IDE de Amazon Bedrock.
Lea el blog
-
Creación de una aplicación de chat con Amazon Bedrock en SageMaker Unified Studio
Cree una aplicación de agente de chat que permita a los usuarios chatear con un modelo de Amazon Bedrock a través de una interfaz conversacional.
Explore la guía
- Amazon SageMaker AI
-
¿Qué es Amazon SageMaker AI?
Descubra cómo puede utilizar este servicio de aprendizaje automático (ML) totalmente gestionado para crear, entrenar e implementar modelos de aprendizaje automático en un entorno hospedado listo para la producción.
Explore la guía
Comience con Amazon SageMaker AI
Aprenda a unirse a un dominio de Amazon SageMaker AI, lo que le permitirá acceder a Amazon SageMaker AI Studio y RStudio on SageMaker AI.
Explore la guía
Empieza con Amazon SageMaker JumpStart
Explore las plantillas de SageMaker JumpStart soluciones de Amazon que configuran la infraestructura para casos de uso comunes y los cuadernos de ejemplo ejecutables para el aprendizaje automático con SageMaker inteligencia artificial.
Explore la guía
- Amazon SageMaker Unified Studio
-
¿Qué es Amazon SageMaker Unified Studio?
Descubra cómo puede usar Amazon SageMaker Unified Studio (en versión preliminar) para crear, implementar, ejecutar y supervisar los flujos de trabajo desde una única interfaz.
Explore la guía
Una experiencia integrada para todos sus datos e inteligencia artificial con Amazon SageMaker Unified Studio
Obtenga información sobre el nuevo Amazon SageMaker Unified Studio y descubra cómo unifica sus cargas de trabajo analíticas.
Lea la entrada del blog
Comience con Amazon SageMaker Unified Studio
Aprenda a obtener acceso a Amazon SageMaker Unified Studio, crear un proyecto y, a continuación, añadir miembros al proyecto. Además, utilice el JupyterLab cuaderno de muestra para empezar a crear con una variedad de herramientas y recursos.
Explore la guía
- Amazon Nova
-
¿Qué es Amazon Nova?
Explore Amazon Nova, una nueva generación de modelos de cimientos disponibles en Amazon Bedrock.
Explore la guía
Presentamos los modelos básicos de Amazon Nova: inteligencia de vanguardia y una relación precio-rendimiento líder del sector
Obtenga información sobre los nuevos modelos de Amazon Nova, incluidos ejemplos del uso de los modelos de Amazon Nova para analizar documentos y vídeos complejos, comprender gráficos y diagramas, generar contenido de vídeo atractivo y crear agentes de inteligencia artificial sofisticados.
Lea la entrada del blog
Comience a usar Amazon Nova en la consola de Amazon Bedrock
Aprenda a usar los parques infantiles en el Consola de administración de AWS para enviar un mensaje de texto a los modelos Amazon Nova y generar una respuesta de texto o imagen
Explore la guía
- Amazon Titan
-
Descripción general de Amazon Titan en Amazon Bedrock
Obtenga una descripción general de los modelos básicos (FM) de Amazon Titan para respaldar sus casos de uso.
Explore la guía
Cost-effective clasificación de documentos mediante el modelo de incrustaciones multimodales de Amazon Titan
Descubra cómo puede utilizar este modelo para clasificar y extraer información de grandes volúmenes de documentos de diferentes formatos. Este blog explora cómo puede usarlo para ayudar a determinar el siguiente conjunto de acciones a tomar, según el tipo de documento.
Lea la entrada del blog
Cree aplicaciones de IA generativas con Amazon Titan Text Premier, Amazon Bedrock y AWS CDK
Descubra cómo crear e implementar dos aplicaciones de ejemplo con tecnología de Amazon Titan Text Premier en esta entrada de blog.
Lea la entrada del blog
- AWS Trainium
-
Descripción general de AWS Trainium
Obtenga información sobre AWS Trainium el acelerador de aprendizaje automático (ML) de segunda generación diseñado específicamente para el entrenamiento AWS mediante aprendizaje profundo de más de 100 000 millones de modelos de parámetros. Cada instancia Trn1 de Amazon EC2 implementa hasta 16 AWS Trainium aceleradores para ofrecer una solución de alto rendimiento y bajo coste para la formación en aprendizaje profundo (DL) en la nube.
Explore la guía
Instancias de Trainium recomendadas
Descubra cómo se diseñan las AWS Trainium instancias para proporcionar un alto rendimiento y rentabilidad a las cargas de trabajo de inferencia de modelos de aprendizaje profundo.
Explore la guía
Cómo ampliar la formación distribuida con AWS Trainium Amazon EKS
Si está implementando sus cargas de trabajo de aprendizaje profundo (DL) con Amazon Elastic Kubernetes Service (Amazon EKS), descubra cómo puede sacar provecho de la disponibilidad general de las instancias Trn1 de Amazon EC2 impulsadas por AWS Trainium un acelerador de aprendizaje automático diseñado específicamente para proporcionar una plataforma de alto rendimiento, rentable y escalable de forma masiva para el entrenamiento de modelos de aprendizaje automático en la nube.
Lea la entrada del blog
- AWS Inferentia
-
Descripción general de AWS Inferentia
Descubra cómo AWS diseña los aceleradores para ofrecer un alto rendimiento al menor coste para sus aplicaciones de inferencia de aprendizaje profundo (DL).
Explore la guía
AWS Inferentia 2 se basa en AWS Inferentia 1 al ofrecer un rendimiento 4 veces mayor y una latencia 10 veces menor
Comprenda para qué está optimizado AWS Inferentia 2 y cómo se diseñó para ofrecer un mayor rendimiento y, al mismo tiempo, reducir el costo de las LLM y la inferencia de IA generativa.
Lea la entrada del blog
Uso de inferencia de aprendizaje automático AWS Inferentia
Aprenda a crear un clúster de Amazon EKS con nodos que ejecuten instancias Inf1 de Amazon EC2 y, si lo desea, a implementar una aplicación de muestra. Las instancias Inf1 de Amazon EC2 funcionan con AWS Inferentia
chips, que se crean a medida AWS para proporcionar inferencias de alto rendimiento y bajo costo en la nube.
Explore la guía
Exploración
Diagramas de arquitectura
Estos diagramas de arquitectura de referencia muestran ejemplos de servicios de AWS IA y aprendizaje automático en uso.
Explore los diagramas de arquitectura
Documentos técnicos
Consulta los documentos técnicos que te ayudarán a empezar y a conocer las mejores prácticas para elegir y usar los servicios de IA y ML.
Explore los documentos técnicos
AWS soluciones
Explore las soluciones revisadas y la orientación arquitectónica para los casos de uso comunes de los servicios de inteligencia artificial y aprendizaje automático.
Explore las soluciones
Recursos
Modelos de fundaciones públicas
Los modelos de cimentación compatibles se actualizan periódicamente y actualmente incluyen:
Utilice Amazon Bedrock y Amazon SageMaker AI para experimentar con una variedad de modelos básicos y personalícelos de forma privada con sus datos. Para explorar la IA generativa con rapidez, también tiene la opción de utilizar PartyRock un Amazon Bedrock Playground. PartyRockes un campo de juego de creación de aplicaciones de inteligencia artificial generativa con el que puedes experimentar de forma práctica con una ingeniería rápida.
Publicaciones de blog asociadas
