Invia un lavoro di personalizzazione del modello

Puoi creare un modello personalizzato utilizzando Fine-tuning o Continued Pre-training nella console o nell'API Amazon Bedrock. Il processo di personalizzazione può richiedere diverse ore. La durata del processo dipende dalla dimensione dei dati di addestramento (numero di record, token di input e token di output), dal numero di epoche e dalla dimensione del batch. Seleziona la scheda corrispondente al metodo scelto e segui i passaggi.

Console

Per inviare un lavoro di personalizzazione del modello nella console, procedi nel seguente modo.

1. Nella console Amazon Bedrock, scegli Modelli personalizzati in Modelli Foundation dal riquadro di navigazione a sinistra.

2. Nella scheda Modelli, scegli Personalizza modello e poi Crea processo di messa a punto o Crea lavoro di pre-formazione continua, a seconda del tipo di modello che desideri addestrare.

3. Nella sezione Dettagli del modello, procedi come segue.

   1. Scegliete il modello che desiderate personalizzare con i vostri dati e assegnate un nome al modello risultante.

   2. (Facoltativo) Per impostazione predefinita, Amazon Bedrock crittografa il tuo modello con una chiave posseduta e gestita da. AWS Per utilizzare una chiave KMS personalizzata, seleziona Model encryption e scegli una chiave.

   3. (Facoltativo) Per associare i tag al modello personalizzato, espandi la sezione Tag e seleziona Aggiungi nuovo tag.

4. Nella sezione Configurazione del lavoro, inserisci un nome per il lavoro e, facoltativamente, aggiungi eventuali tag da associare al lavoro.

5. (Facoltativo) Per utilizzare un cloud privato virtuale (VPC) per proteggere i dati di formazione e il processo di personalizzazione, seleziona un VPC che contenga i dati di input e output, le ubicazioni Amazon S3, le relative sottoreti e i gruppi di sicurezza nella sezione delle impostazioni VPC.

   Nota

   Se includi una configurazione VPC, la console non può creare un nuovo ruolo di servizio per il lavoro. Crea un ruolo di servizio personalizzato e aggiungi autorizzazioni simili all'esempio descritto in. Associa le autorizzazioni VPC a un ruolo di personalizzazione del modello

6. Nella sezione Dati di input, selezionate la posizione S3 del file del set di dati di addestramento e, se applicabile, il file del set di dati di convalida.

7. Nella sezione Iperparametri, inserisci i valori per gli iperparametri da utilizzare durante l'allenamento.

8. Nella sezione Dati di output, inserisci la posizione Amazon S3 in cui Amazon Bedrock deve salvare l'output del lavoro. Amazon Bedrock archivia le metriche per la perdita di addestramento e la perdita di convalida per ogni epoca in file separati, nella posizione che specifichi.

9. Nella sezione Accesso al servizio, seleziona una delle seguenti opzioni:

   • Usa un ruolo di servizio esistente: seleziona un ruolo di servizio nell'elenco a discesa. Per ulteriori informazioni sulla configurazione di un ruolo personalizzato con le autorizzazioni appropriate, consulta Creare un ruolo di servizio per la personalizzazione del modello.

   • Crea e usa un nuovo ruolo di servizio: immetti un nome per il ruolo di servizio.

10. Scegli Fine-tune model o Create Continued Pre-training job per iniziare il lavoro.

API

Richiesta

Invia una richiesta CreateModelCustomizationJob(consulta il link per i formati di richiesta e risposta e i dettagli sui campi) con un endpoint del piano di controllo Amazon Bedrock per inviare un processo di personalizzazione del modello. Come minimo, devi fornire i seguenti campi.

• roleArn— L'ARN del ruolo di servizio con autorizzazioni per personalizzare i modelli. Amazon Bedrock può creare automaticamente un ruolo con le autorizzazioni appropriate se utilizzi la console oppure puoi creare un ruolo personalizzato seguendo i passaggi indicati. Creare un ruolo di servizio per la personalizzazione del modello

  Nota

  Se includi un vpcConfig campo, assicurati che il ruolo disponga delle autorizzazioni appropriate per accedere al VPC. Per vedere un esempio, consulta Associa le autorizzazioni VPC a un ruolo di personalizzazione del modello.

• baseModelIdentifier— L'ID del modello o l'ARN del modello di base da personalizzare.

• customModelName: il nome da assegnare al nuovo modello personalizzato.

• jobName: il nome da assegnare al processo di addestramento.

• hyperParameters— Iperparametri che influiscono sul processo di personalizzazione del modello.

• trainingDataConfig— Un oggetto contenente l'URI Amazon S3 del set di dati di addestramento. A seconda del metodo e del modello di personalizzazione, puoi anche includere un. validationDataConfig Per ulteriori informazioni sulla preparazione dei set di dati, vedere. Preparazione dei set di dati

• outputDataConfig— Un oggetto contenente l'URI di Amazon S3 su cui scrivere i dati di output.

Se non specifichi ilcustomizationType, il metodo di personalizzazione del modello predefinito è. FINE_TUNING

Per evitare che la richiesta venga completata più di una volta, includi un. clientRequestToken

Puoi includere i seguenti campi opzionali per configurazioni aggiuntive.

• jobTagse/o customModelTags — Associa i tag al processo di personalizzazione o al modello personalizzato risultante.

• customModelKmsKeyId— Includi una chiave KMS personalizzata per crittografare il tuo modello personalizzato.

• vpcConfig— Include la configurazione per un cloud privato virtuale (VPC) per proteggere i dati di formazione e il lavoro di personalizzazione.

Risposta

La risposta restituisce un jobArn messaggio che è possibile utilizzare per monitorare o interrompere il processo.

Vedi esempi di codice