Une entreprise prévoit d'affiner un grand modèle linguistique sur Amazon Bedrock pour ajuster le style des messages de sortie de son application. Quel type de données d'entraînement est nécessaire pour accomplir cela ?

Pour affiner un grand modèle linguistique (LLM) afin d'ajuster le style des messages de sortie, il est essentiel de fournir des exemples appariés montrant les entrées et les sorties souhaitées. Le fine-tuning est une forme d'apprentissage supervisé où le modèle apprend à mapper des entrées spécifiques à des sorties désirées. Sans ces paires, le modèle ne peut pas comprendre comment transformer une entrée donnée en une sortie avec le style attendu. "Seuls des exemples de messages d'entrée" ne suffiraient pas, car le modèle n'aurait aucune indication sur le style de sortie désiré. "Seuls des exemples de messages de sortie" ne permettraient pas au modèle de savoir quelles entrées doivent générer ces sorties. "Des collections distinctes d'exemples d'entrée et d'exemples de sortie" ne fourniraient pas les associations nécessaires pour l'apprentissage supervisé.