Kirim pekerjaan kustomisasi model

Anda dapat membuat model kustom dengan menggunakan Fine-tuning atau Continued Pre-training di konsol Amazon Bedrock atau API. Pekerjaan kustomisasi bisa memakan waktu beberapa jam. Durasi pekerjaan tergantung pada ukuran data pelatihan (jumlah catatan, token input, dan token keluaran), jumlah epoch, dan ukuran batch. Pilih tab yang sesuai dengan metode pilihan Anda dan ikuti langkah-langkahnya.

Console

Untuk mengirimkan pekerjaan penyesuaian model di konsol, lakukan langkah-langkah berikut.

1. Di konsol Amazon Bedrock, pilih Model khusus di bawah model Foundation dari panel navigasi kiri.

2. Di tab Model, pilih Sesuaikan model lalu Buat pekerjaan Fine-tuning atau Buat pekerjaan Pra-pelatihan lanjutan, tergantung pada jenis model yang ingin Anda latih.

3. Di bagian Detail model, lakukan hal berikut.

   1. Pilih model yang ingin Anda sesuaikan dengan data Anda sendiri dan beri nama model hasil Anda.

   2. (Opsional) Secara default, Amazon Bedrock mengenkripsi model Anda dengan kunci yang dimiliki dan dikelola oleh. AWS Untuk menggunakan kunci KMS khusus, pilih Enkripsi model dan pilih kunci.

   3. (Opsional) Untuk mengaitkan tag dengan model khusus, perluas bagian Tag dan pilih Tambahkan tag baru.

4. Di bagian konfigurasi Job, masukkan nama untuk pekerjaan tersebut dan secara opsional tambahkan tag apa pun untuk dikaitkan dengan pekerjaan tersebut.

5. (Opsional) Untuk menggunakan virtual private cloud (VPC) untuk melindungi data pelatihan dan pekerjaan kustomisasi Anda, pilih VPC yang berisi data input dan data output lokasi Amazon S3, subnetnya, dan grup keamanan di bagian pengaturan VPC.

   catatan

   Jika Anda menyertakan konfigurasi VPC, konsol tidak dapat membuat peran layanan baru untuk pekerjaan tersebut. Buat peran layanan kustom dan tambahkan izin yang mirip dengan contoh yang dijelaskan diLampirkan izin VPC ke peran penyesuaian model.

6. Di bagian Input data, pilih lokasi S3 dari file dataset pelatihan dan, jika ada, file dataset validasi.

7. Di bagian Hyperparameters, nilai input untuk hyperparameters untuk digunakan dalam pelatihan.

8. Di bagian Data keluaran, masukkan lokasi Amazon S3 tempat Amazon Bedrock harus menyimpan output pekerjaan. Amazon Bedrock menyimpan metrik kehilangan pelatihan dan metrik kehilangan validasi untuk setiap epoch dalam file terpisah di lokasi yang Anda tentukan.

9. Di bagian Akses layanan, pilih salah satu dari berikut ini:

   • Gunakan peran layanan yang ada — Pilih peran layanan dari daftar drop-down. Untuk informasi selengkapnya tentang menyiapkan peran kustom dengan izin yang sesuai, lihatBuat peran layanan untuk kustomisasi model.

   • Membuat dan menggunakan peran layanan baru — Masukkan nama untuk peran layanan.

10. Pilih model Fine-tune atau Buat pekerjaan Pra-pelatihan Lanjutan untuk memulai pekerjaan.

API

Permintaan

Kirim permintaan CreateModelCustomizationJob(lihat tautan untuk format permintaan dan respons serta detail bidang) dengan titik akhir bidang kontrol Amazon Bedrock untuk mengirimkan pekerjaan penyesuaian model. Minimal, Anda harus menyediakan bidang-bidang berikut.

• roleArn— ARN peran layanan dengan izin untuk menyesuaikan model. Amazon Bedrock dapat secara otomatis membuat peran dengan izin yang sesuai jika Anda menggunakan konsol, atau Anda dapat membuat peran khusus dengan mengikuti langkah-langkah di. Buat peran layanan untuk kustomisasi model

  catatan

  Jika Anda menyertakan vpcConfig bidang, pastikan peran tersebut memiliki izin yang tepat untuk mengakses VPC. Sebagai contoh, lihat Lampirkan izin VPC ke peran penyesuaian model.

• baseModelIdentifier— ID model atau ARN dari model pondasi untuk disesuaikan.

• customModelName- Nama untuk memberikan model yang baru disesuaikan.

• jobName— Nama untuk memberikan pekerjaan pelatihan.

• hyperParameters— Hyperparameter yang mempengaruhi proses kustomisasi model.

• trainingDataConfig— Objek yang berisi URI Amazon S3 dari kumpulan data pelatihan. Bergantung pada metode dan model kustomisasi, Anda juga dapat menyertakan filevalidationDataConfig. Untuk informasi selengkapnya tentang menyiapkan kumpulan data, lihat. Siapkan dataset

• outputDataConfig— Objek yang berisi URI Amazon S3 untuk menulis data output ke.

Jika Anda tidak menentukancustomizationType, metode penyesuaian model default ke. FINE_TUNING

Untuk mencegah permintaan selesai lebih dari satu kali, sertakan aclientRequestToken.

Anda dapat menyertakan bidang opsional berikut untuk konfigurasi tambahan.

• jobTagsdan/atau customModelTags — Kaitkan tag dengan pekerjaan kustomisasi atau model kustom yang dihasilkan.

• customModelKmsKeyId— Sertakan kunci KMS khusus untuk mengenkripsi model kustom Anda.

• vpcConfig— Sertakan konfigurasi untuk virtual private cloud (VPC) untuk melindungi data pelatihan dan pekerjaan kustomisasi Anda.

Respons

Respons mengembalikan jobArn yang dapat Anda gunakan untuk memantau atau menghentikan pekerjaan.

Lihat contoh kode