기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
모델 평가 작업 중지
다음 예는 Amazon Bedrock 콘솔 및 Boto3를 사용하여 모델 평가 작업을 중지하는 방법을 보여줍니다. AWS CLI
- Amazon Bedrock console
-
Amazon Bedrock 콘솔을 사용하여 모델 평가 작업을 생성하려면 다음 절차를 사용하십시오. 이 절차를 성공적으로 완료하려면 IAM 사용자, 그룹 또는 역할에 콘솔에 액세스할 수 있는 충분한 권한이 있어야 합니다. 자세한 내용은 Amazon Bedrock 콘솔을 사용하여 모델 평가 작업을 생성하는 데 필요한 권한 섹션을 참조하세요.
또한 모델 평가 작업에서 지정하려는 모든 사용자 지정 프롬프트 데이터 세트에는 Amazon S3 버킷에 필요한 CORS 권한이 추가되어야 합니다. 필수 CORS 권한 추가에 대한 자세한 내용은, 을 참조하십시오. S3 버킷에 대한 필수 Cross Origin Resource Sharing(CORS) 권한
인간 작업자를 사용하는 모델 평가 작업 생성하기
-
https://console.aws.amazon.com/bedrock/
에서 Amazon Bedrock 콘솔을 엽니다. -
탐색 창에서 모델 평가를 선택합니다.
-
평가 작성하기 카드의 자동에서 자동 평가 생성을 선택합니다.
-
자동 평가 생성 페이지에서 다음 정보를 입력합니다.
-
평가 이름 - 모델 평가 작업에 작업을 설명하는 이름을 지정합니다. 이 이름이 모델 평가 작업 목록에 표시됩니다. 이름은 AWS 계정 AWS 리전 an에서 고유해야 합니다.
-
설명(선택 사항) - 필요에 따라 설명을 입력합니다.
-
모델 - 모델 평가 작업에 사용하려는 모델을 선택합니다.
Amazon Bedrock에서 사용 가능한 모델 및 해당 모델에 액세스하는 방법에 대해 자세히 알아보려면 을 참조하십시오. Amazon 베드락 기반 모델에 대한 액세스 관리
-
(선택 사항) 추론 구성을 변경하려면 업데이트를 선택합니다.
추론 구성을 변경하면 선택한 모델에서 생성된 응답이 변경됩니다. 사용 가능한 추론 파라미터에 대한 자세한 내용은 파운데이션 모델의 추론 파라미터 섹션을 참조하세요.
-
작업 유형 - 모델 평가 작업 중에 모델이 수행하려고 시도할 작업 유형을 선택합니다.
-
지표 및 데이터 세트 - 사용 가능한 지표 및 내장형 프롬프트 데이터 세트 목록은 선택한 작업에 따라 달라집니다. 사용 가능한 기본 제공 데이터 세트 목록에서 선택하거나 자체 프롬프트 데이터 세트 사용을 선택할 수 있습니다. 자체 프롬프트 데이터세트를 사용하기로 선택한 경우 저장된 프롬프트 데이터세트 파일의 정확한 S3 URI를 입력하거나 Browse S3를 선택하여 프롬프트 데이터 세트를 검색하십시오.
-
평가 결과 - 모델 평가 작업의 결과를 저장하려는 디렉터리의 S3 URI를 지정합니다. Amazon S3에서 위치를 검색하려면 [S3 찾아보기] 를 선택합니다.
-
(선택 사항) 고객 관리 키를 사용할 수 있게 하려면 암호화 설정 사용자 지정 (고급) 을 선택합니다. 그런 다음 사용하려는 AWS KMS 키의 ARN을 입력합니다.
-
Amazon Bedrock IAM 역할 — 이미 필요한 권한이 있는 IAM 서비스 역할을 사용하려면 기존 역할 사용을 선택하거나 새 역할 생성을 선택하여 새 IAM 서비스 역할을 생성합니다.
-
-
그다음에 생성을 선택합니다.
작업이 시작되면 상태가 진행 중으로 바뀝니다. 상태가 완료됨으로 변경되면 해당 작업의 보고서 카드를 볼 수 있습니다.
-
- SDK for Python
-
절차
import boto3 client = boto3.client('bedrock') job_request = client.create_evaluation_job( jobName="
111122223333-job-01
", jobDescription="two different task types", roleArn="arn:aws:iam::111122223333
:role/example-human-eval-api-role", inferenceConfig={ ## You must specify an array of models "models": [ { "bedrockModel": { "modelIdentifier":"arn:aws:bedrock:us-west-2::foundation-model/amazon.titan-text-lite-v1", "inferenceParams":"{\"temperature\":\"0.0\", \"topP\":\"1\", \"maxTokenCount\":\"512\"}" } }, { "bedrockModel": { "modelIdentifier": "anthropic.claude-v2", "inferenceParams": "{\"temperature\":\"0.25\",\"top_p\":\"0.25\",\"max_tokens_to_sample\":\"256\",\"top_k\":\"1\"}" } } ] }, outputDataConfig={ "s3Uri":"s3://job-bucket
/outputs/" }, evaluationConfig={ "human": { "humanWorkflowConfig": { "flowDefinitionArn": "arn:aws:sagemaker:us-west-2:111122223333
:flow-definition/example-workflow-arn", "instructions": "some human eval instruction" }, "customMetrics": [ { "name": "IndividualLikertScale", "description": "testing", "ratingMethod": "IndividualLikertScale" } ], "datasetMetricConfigs": [ { "taskType": "Summarization", "dataset": { "name": "Custom_Dataset1", "datasetLocation": { "s3Uri": "s3://job-bucket
/custom-datasets/custom-trex.jsonl" } }, "metricNames": [ "IndividualLikertScale" ] } ] } } ) print(job_request) - AWS CLI
-
에서는
help
명령을 사용하여 필수 매개 변수와add-something
에서 지정할 때 선택 사항인 매개 변수를 확인할 수 AWS CLI있습니다. AWS CLIaws bedrock create-evaluation-job help
다음은 를 사용하여 인간 기반 모델 평가 작업을 시작하는 요청 예제입니다 AWS CLI.
SOMETHINGGGGGGGG GOES HEREEEEEEEEEE