Expérience de développeur Amazon Bedrock

Grâce à Amazon Bedrock, la création à l'aide d'une gamme de modèles de fondation (FM) devient aussi simple qu'un appel d'API. Amazon Bedrock donne accès à des modèles de pointe tels que Jurassic d'AI21 Labs, Claude d'Anthropic, Command et Embed de Cohere, Llama 2 de Meta et Stable Diffusion de Stability AI, ainsi qu'à nos propres modèles Amazon Titan. Avec Amazon Bedrock, vous pouvez sélectionner le FM le mieux adapté à votre cas d'utilisation et aux exigences de votre application.

Expérimentez avec différents FM à l'aide de terrains de jeu interactifs pour tester différentes modalités, notamment le texte, le chat et l'image. Les aires de jeux vous permettent d'essayer différents modèles adaptés à votre cas d'utilisation afin de vous faire une idée de l'adéquation du modèle à une tâche donnée.

L'évaluation du modèle sur Amazon Bedrock vous permet d'utiliser des évaluations automatiques et humaines pour sélectionner des FM pour un cas d'utilisation spécifique. L'évaluation automatique des modèles utilise des jeux de données organisés et fournit des métriques prédéfinies, notamment la précision, la robustesse et la toxicité. Pour les métriques subjectives, vous pouvez utiliser Amazon Bedrock pour configurer un flux de travail d'évaluation humaine en quelques étapes simples. Grâce aux évaluations humaines, vous pouvez apporter vos propres jeux de données et définir des métriques personnalisées, telles que la pertinence, le style et l'alignement avec la voix de la marque. Les flux de travail d'évaluation humaine peuvent tirer parti de vos propres employés en tant que réviseurs, ou vous pouvez engager une équipe gérée par AWS pour effectuer l'évaluation humaine, dans le cadre de laquelle AWS recrute des évaluateurs qualifiés et gère le flux de travail complet en votre nom. Pour en savoir plus, lisez le blog.

En quelques étapes simples, Amazon Bedrock vous permet de passer de modèles génériques à des modèles spécialisés et personnalisés en fonction de votre entreprise et de votre cas d'utilisation. Pour adapter un FM à une tâche spécifique, vous pouvez utiliser une technique appelée réglage fin. Pointez vers quelques exemples étiquetés dans Amazon Simple Storage Service (Amazon S3) : Amazon Bedrock crée une copie du modèle de base, l'entraîne avec vos données et crée un modèle affiné auquel vous seul pouvez accéder afin d'obtenir des réponses personnalisées. Des réglages affinés sont disponibles pour les modèles Command, Llama 2, Amazon Titan Text Lite et Express, Amazon Titan Image Generator et Amazon Titan Multimodal Embeddings. Vous pouvez également adapter les FM Amazon Titan Text Lite et Amazon Titan Express dans Amazon Bedrock grâce à un entraînement préalable continu, une technique qui utilise vos jeux de données non étiquetés pour personnaliser le FM en fonction de votre domaine ou de votre secteur d'activité. Grâce à un réglage affiné et à un entraînement préalable continu, Amazon Bedrock crée pour vous une copie privée et personnalisée du FM de base. Vos données ne sont pas utilisées pour entraîner les modèles de base d'origine. Vos données utilisées pour personnaliser les modèles sont transférées en toute sécurité via votre Virtual Private Cloud (VPC) Amazon. Pour en savoir plus, lisez le blog.

Converse API fournit aux développeurs un moyen cohérent d’invoquer les modèles Amazon Bedrock, éliminant ainsi la complexité de l’ajustement des différences spécifiques aux modèles, telles que les paramètres d’inférence.