Principales définitions

Ce chapitre fournit des définitions de concepts qui vous aideront à comprendre ce que propose Amazon Bedrock et son fonctionnement. Si vous êtes un nouvel utilisateur, vous devez d'abord lire les concepts de base. Une fois que vous vous serez familiarisé avec les bases d'Amazon Bedrock, nous vous recommandons d'explorer les concepts et fonctionnalités avancés proposés par Amazon Bedrock.

Concepts de base

La liste suivante vous présente les concepts de base de l'IA générative et les fonctionnalités fondamentales d'Amazon Bedrock.

• Modèle de base (FM) — Un modèle d'IA doté d'un grand nombre de paramètres et entraîné sur une quantité massive de données diverses. Un modèle de base peut générer diverses réponses pour un large éventail de cas d'utilisation. Les modèles de base peuvent générer du texte ou des images, et peuvent également convertir les entrées en intégrations. Avant de pouvoir utiliser un modèle de fondation Amazon Bedrock, vous devez demander l'accès. Pour plus d'informations sur les modèles de fondation, consultezModèles de fondation pris en charge dans Amazon Bedrock.

• Modèle de base : modèle de base fourni par un fournisseur et prêt à être utilisé. Amazon Bedrock propose une variété de modèles de base de pointe proposés par des fournisseurs de premier plan. Pour de plus amples informations, veuillez consulter Modèles de fondation pris en charge dans Amazon Bedrock.

• Inférence de modèle : processus par lequel un modèle de base génère une sortie (réponse) à partir d'une entrée donnée (invite). Pour de plus amples informations, veuillez consulter Soumettez des invites et générez des réponses grâce à l'inférence du modèle.

• Prompt : entrée fournie à un modèle pour le guider afin de générer une réponse ou une sortie appropriée pour l'entrée. Par exemple, une invite de texte peut consister en une seule ligne à laquelle le modèle doit répondre, ou elle peut détailler des instructions ou une tâche à exécuter par le modèle. L'invite peut contenir le contexte de la tâche, des exemples de sorties ou du texte à utiliser par un modèle dans sa réponse. Les instructions peuvent être utilisées pour effectuer des tâches telles que la classification, la réponse à des questions, la génération de code, l'écriture créative, etc. Pour de plus amples informations, veuillez consulter Concepts d'ingénierie rapides.

• Jeton : séquence de caractères qu'un modèle peut interpréter ou prévoir comme une seule unité de signification. Par exemple, avec les modèles de texte, un jeton peut correspondre non seulement à un mot, mais également à une partie d'un mot ayant une signification grammaticale (comme « -ed »), à un signe de ponctuation (tel que « ? ») , ou une expression courante (telle que « beaucoup »).

• Paramètres du modèle : valeurs qui définissent un modèle et son comportement lors de l'interprétation des entrées et de la génération de réponses. Les paramètres du modèle sont contrôlés et mis à jour par les fournisseurs. Vous pouvez également mettre à jour les paramètres du modèle pour créer un nouveau modèle par le biais du processus de personnalisation du modèle.

• Paramètres d'inférence : valeurs qui peuvent être ajustées lors de l'inférence du modèle pour influencer une réponse. Les paramètres d'inférence peuvent affecter la diversité des réponses et peuvent également limiter la longueur d'une réponse ou l'occurrence de séquences spécifiées. Pour plus d'informations et des définitions de paramètres d'inférence spécifiques, consultezInfluencez la génération de réponses avec des paramètres d'inférence.

• Playground — Interface graphique conviviale AWS Management Console dans laquelle vous pouvez expérimenter l'inférence de modèles afin de vous familiariser avec Amazon Bedrock. Utilisez le terrain de jeu pour tester les effets de différents modèles, configurations et paramètres d'inférence sur les réponses générées pour les différentes demandes que vous saisissez. Pour de plus amples informations, veuillez consulter Générez des réponses dans une interface visuelle à l'aide de playgrounds.

• Intégration : processus qui consiste à condenser les informations en les transformant en un vecteur de valeurs numériques, connu sous le nom d'intégrations, afin de comparer la similitude entre différents objets à l'aide d'une représentation numérique partagée. Par exemple, les phrases peuvent être comparées pour déterminer la similitude de sens, les images peuvent être comparées pour déterminer la similitude visuelle, ou le texte et l'image peuvent être comparés pour voir s'ils sont pertinents l'un par rapport à l'autre. Vous pouvez également combiner des entrées de texte et d'image dans un vecteur d'intégration moyen si cela correspond à votre cas d'utilisation. Pour plus d’informations, consultez Soumettez des invites et générez des réponses grâce à l'inférence du modèle et Récupérez des données et générez des réponses basées sur l'IA avec des bases de connaissances.

Fonctionnalités avancées

La liste suivante présente des concepts plus avancés que vous pouvez explorer à l'aide d'Amazon Bedrock.

• Orchestration : processus de coordination entre les modèles de base et les données et applications de l'entreprise afin de mener à bien une tâche. Pour de plus amples informations, veuillez consulter Automatisez les tâches de votre application à l'aide d'agents conversationnels.

• Agent : application qui exécute des orchestrations en interprétant cycliquement les entrées et en produisant des sorties à l'aide d'un modèle de base. Un agent peut être utilisé pour répondre aux demandes des clients. Pour de plus amples informations, veuillez consulter Automatisez les tâches de votre application à l'aide d'agents conversationnels.

• Génération augmentée par extraction (RAG) : processus qui consiste à interroger et à récupérer des informations à partir d'une source de données afin d'augmenter la réponse générée à une invite. Pour de plus amples informations, veuillez consulter Récupérez des données et générez des réponses basées sur l'IA avec des bases de connaissances.

• Personnalisation du modèle : processus consistant à utiliser les données d'entraînement pour ajuster les valeurs des paramètres du modèle dans un modèle de base afin de créer un modèle personnalisé. Parmi les exemples de personnalisation du modèle, citons le réglage fin, qui utilise des données étiquetées (entrées et sorties correspondantes), et le pré-entraînement continu, qui utilise des données non étiquetées (entrées uniquement) pour ajuster les paramètres du modèle. Pour plus d'informations sur les techniques de personnalisation des modèles disponibles dans Amazon Bedrock, consultezPersonnalisez votre modèle pour améliorer ses performances en fonction de votre cas d'utilisation.

• Hyperparamètres : valeurs qui peuvent être ajustées pour la personnalisation du modèle afin de contrôler le processus d'apprentissage et, par conséquent, le modèle personnalisé de sortie. Pour plus d'informations et des définitions d'hyperparamètres spécifiques, consultezHyperparamètres du modèle personnalisé.

• Évaluation du modèle : processus d'évaluation et de comparaison des résultats du modèle afin de déterminer le modèle le mieux adapté à un cas d'utilisation. Pour de plus amples informations, veuillez consulter Choisissez le modèle le plus performant à l'aide des évaluations d'Amazon Bedrock.

• Débit provisionné : niveau de débit que vous achetez pour un modèle de base ou personnalisé afin d'augmenter la quantité et/ou le taux de jetons traités lors de l'inférence du modèle. Lorsque vous achetez du débit provisionné pour un modèle, un modèle provisionné est créé qui peut être utilisé pour effectuer une inférence de modèle. Pour de plus amples informations, veuillez consulter Augmentez la capacité d'invocation des modèles grâce au débit provisionné dans Amazon Bedrock.