Firma planuje dostroić duży model językowy na Amazon Bedrock, aby dostosować styl komunikatów wyjściowych swojej aplikacji. Jakiego rodzaju dane treningowe są wymagane do osiągnięcia tego celu?

Aby dostroić duży model językowy (LLM) na Amazon Bedrock w celu dostosowania stylu komunikatów wyjściowych, niezbędne są sparowane przykłady pokazujące zarówno dane wejściowe, jak i pożądane dane wyjściowe. Proces dostrajania (fine-tuning) uczy model, jak przekształcać konkretne dane wejściowe w wyjścia o określonym stylu. Dostarczając pary (wejście, pożądane wyjście), model uczy się mapowania między nimi, co pozwala mu generować odpowiedzi w oczekiwanym stylu. Tylko przykładowe komunikaty wejściowe lub wyjściowe są niewystarczające, ponieważ model nie miałby kontekstu, jak powiązać wejścia z pożądanymi wyjściami. Oddzielne kolekcje również nie pozwalają na naukę tej korelacji.