Envie um trabalho de personalização de modelos

Você pode criar um modelo personalizado usando o ajuste fino ou o pré-treinamento contínuo no console ou na API do Amazon Bedrock. O trabalho de personalização pode levar várias horas. A duração do trabalho depende do tamanho dos dados de treinamento (número de registros, tokens de entrada e tokens de saída), número de épocas e tamanho do lote. Selecione a guia correspondente ao seu método de escolha e siga as etapas.

Console

Para enviar um trabalho de personalização de modelo no console, execute as etapas a seguir.

1. No console do Amazon Bedrock, escolha Modelos personalizados em Modelos Foundation no painel de navegação esquerdo.

2. Na guia Modelos, escolha Personalizar modelo e, em seguida, Criar tarefa de ajuste fino ou Criar tarefa de pré-treinamento contínuo, dependendo do tipo de modelo que você deseja treinar.

3. Na seção Detalhes do modelo, faça o seguinte.

   1. Escolha o modelo que você deseja personalizar com seus próprios dados e dê um nome ao modelo resultante.

   2. (Opcional) Por padrão, o Amazon Bedrock criptografa seu modelo com uma chave de propriedade e gerenciada por. AWS Para usar uma chave KMS personalizada, selecione Criptografia de modelo e escolha uma chave.

   3. (Opcional) Para associar tags ao modelo personalizado, expanda a seção Tags e selecione Adicionar nova tag.

4. Na seção Configuração do trabalho, insira um nome para o trabalho e, opcionalmente, adicione quaisquer tags para associar ao trabalho.

5. (Opcional) Para usar uma nuvem privada virtual (VPC) para proteger seus dados de treinamento e seu trabalho de personalização, selecione uma VPC que contenha os dados de entrada e os dados de saída que o Amazon S3 localiza, suas sub-redes e grupos de segurança na seção de configurações da VPC.

   nota

   Se você incluir uma configuração de VPC, o console não poderá criar uma nova função de serviço para o trabalho. Crie uma função de serviço personalizada e adicione permissões semelhantes ao exemplo descrito emAnexe permissões de VPC a uma função de personalização de modelo.

6. Na seção Dados de entrada, selecione a localização do arquivo do conjunto de dados de treinamento no S3 e, se aplicável, do arquivo do conjunto de dados de validação.

7. Na seção Hiperparâmetros, insira valores para os hiperparâmetros a serem usados no treinamento.

8. Na seção Dados de saída, insira o local do Amazon S3 onde o Amazon Bedrock deve salvar a saída do trabalho. O Amazon Bedrock armazena as métricas de perda de treinamento e as métricas de perda de validação para cada época em arquivos separados no local especificado.

9. Na seção Acesso ao serviço, selecione uma das seguintes opções:

   • Usar um perfil de serviço existente: selecione um perfil de serviço na lista suspensa. Para obter mais informações sobre como configurar um perfil personalizado com as permissões apropriadas, consulte Crie uma função de serviço para personalização do modelo.

   • Criar e usar um novo perfil de serviço: insira um nome para o perfil de serviço.

10. Escolha Ajustar o modelo ou Criar um trabalho de pré-treinamento contínuo para começar o trabalho.

API

Solicitação

Envie uma solicitação CreateModelCustomizationJob(consulte o link para ver os formatos de solicitação e resposta e detalhes do campo) com um endpoint do plano de controle Amazon Bedrock para enviar um trabalho de personalização do modelo. No mínimo, você deve fornecer os seguintes campos.

• roleArn— O ARN da função de serviço com permissões para personalizar modelos. O Amazon Bedrock pode criar automaticamente uma função com as permissões apropriadas se você usar o console, ou você pode criar uma função personalizada seguindo as etapas emCrie uma função de serviço para personalização do modelo.

  nota

  Se você incluir um vpcConfig campo, certifique-se de que a função tenha as permissões adequadas para acessar a VPC. Para ver um exemplo, consulte Anexe permissões de VPC a uma função de personalização de modelo.

• baseModelIdentifier— O ID do modelo ou ARN do modelo básico a ser personalizado.

• customModelName: o nome a ser dado ao modelo recém-personalizado.

• jobName: o nome a ser dado ao trabalho de treinamento.

• hyperParameters— Hiperparâmetros que afetam o processo de personalização do modelo.

• trainingDataConfig— Um objeto contendo o URI do Amazon S3 do conjunto de dados de treinamento. Dependendo do método e modelo de personalização, você também pode incluir umvalidationDataConfig. Para obter mais informações sobre como preparar os conjuntos de dados, consultePreparar os conjuntos de dados.

• outputDataConfig— Um objeto contendo o URI do Amazon S3 para gravar os dados de saída.

Se você não especificar ocustomizationType, o método padrão de personalização do modelo será. FINE_TUNING

Para evitar que a solicitação seja concluída mais de uma vez, inclua umclientRequestToken.

Você pode incluir os seguintes campos opcionais para configurações adicionais.

• jobTagse/ou customModelTags — Associe as tags à tarefa de personalização ou ao modelo personalizado resultante.

• customModelKmsKeyId— Inclua uma chave KMS personalizada para criptografar seu modelo personalizado.

• vpcConfig— Inclua a configuração de uma nuvem privada virtual (VPC) para proteger seus dados de treinamento e seu trabalho de personalização.

Resposta

A resposta retorna uma jobArn que você pode usar para monitorar ou interromper o trabalho.

Veja exemplos de código