Un'azienda intende ottimizzare un modello linguistico di grandi dimensioni su Amazon Bedrock per adattare lo stile dei messaggi di output della sua applicazione. Che tipo di dati di training sono necessari per raggiungere questo obiettivo?

Per ottimizzare un modello linguistico di grandi dimensioni (LLM) su Amazon Bedrock per adattare lo stile dei messaggi di output, sono necessari esempi accoppiati che mostrano gli input e gli output desiderati. Questo perché il fine-tuning (messa a punto) di un modello supervisionato richiede al modello di apprendere la relazione tra uno specifico input e lo stile di output desiderato. Fornire solo messaggi di input o solo messaggi di output non consente al modello di stabilire questa mappatura. Raccolte separate di input e output non accoppiati non fornirebbero la correlazione necessaria per insegnare al modello come trasformare un input in un output con lo stile desiderato.