Una empresa planea ajustar un modelo de lenguaje grande en Amazon Bedrock para modificar el estilo de los mensajes de salida de su aplicación. ¿Qué tipo de datos de entrenamiento se requieren para lograr esto?

Para ajustar un modelo de lenguaje grande (LLM) y modificar el estilo de los mensajes de salida, se requieren ejemplos emparejados de entradas y salidas deseadas. Esto se debe a que el ajuste fino (fine-tuning) supervisado enseña al modelo a transformar una entrada específica en una salida con el estilo deseado. Proporcionar solo mensajes de entrada o solo mensajes de salida no ofrece al modelo la relación causal necesaria para aprender la transformación de estilo. Las colecciones separadas tampoco establecen esta relación directa. Los ejemplos emparejados permiten al modelo aprender el mapeo exacto entre la entrada original y la salida con el estilo modificado.