- Generative KI›
- Amazon Bedrock›
- Anpassen
Anpassen Ihrer Anwendungen
Sicheres Anpassen von generativen KI-Anwendungen und -Agenten, um Genauigkeit und Relevanz zu verbessern
Erstellen Sie sichere, maßgeschneiderte KI-Anwendungen mit Unternehmensdaten
Unternehmen können ihre einzigartigen Datenbestände nutzen, um differenzierte Kundenerlebnisse zu schaffen. Mithilfe von Techniken wie Retrieval Augmented Generation (RAG), der Modellfeinabstimmung, der Modelldestillation und der multimodalen Datenverarbeitung können Sie generative KI-Anwendungen erstellen, die auf Ihren spezifischen Anwendungsfall zugeschnitten sind. Behalten Sie die vollständige Kontrolle über sensible Informationen – Ihre Daten werden niemals für das Training von Basismodellen verwendet oder an Modellanbieter, einschließlich Amazon, weitergegeben.
Anpassen der KI an Ihre individuellen Anforderungen
Kombinieren mehrerer Anpassungstools, um Modelle anhand Ihrer Daten zu trainieren und die Leistung und Genauigkeit von Modellen für Ihre einzigartigen Anforderungen zu maximieren
Amazon-Bedrock-Wissensdatenbanken
Amazon-Bedrock-Wissensdatenbanken bieten durchgängige Workflows von Retrieval Augmented Generation (RAG), mit denen Sie hochgenaue, latenzarme, sichere und benutzerdefinierte Anwendungen der generativen KI durch die Integration kontextbezogener Informationen aus Ihren Datenquellen erstellen können.
- Durchgängige RAG-Workflows
- Sichere Verbindung von FMs (Basismodellen) und Agenten mit Datenquellen
- Stellen Sie genaue Antworten zur Laufzeit bereit
Supervised Fine-Tuning (SFT)
Trainieren Sie ein Basismodell anhand Ihrer eigenen Daten, um die Leistung bei bestimmten Aufgaben zu verbessern. Die Feinabstimmung vermittelt Modellen Ihre individuelle Terminologie, Ihren Schreibstil, Ihre Ausgabeformate und Ihr fachgebietsspezifisches Wissen und macht sie so genauer und konsistenter
für Ihre Anwendungsfälle.
Verwenden Sie die Feinabstimmung, wenn die Modelle die folgenden Anforderungen erfüllen müssen:
- Sie halten bestimmte Ausgabestrukturen oder Formatierungsanforderungen ein.
- Sie beherrschen Fachsprache, technisches Vokabular oder interne Terminologie.
- Sie ahmen einen bestimmten Ton, eine bestimmte Stimme oder einen bestimmten Markenstil nach.
- Sie verbessern die Genauigkeit bei sich wiederholenden, klar definierten Aufgaben.
Reinforcement Fine Tuning (RFT)
Reinforcement Fine Tuning verbessert die Modellgenauigkeit, indem statt großer Datensätze das Feedback auf Antworten verwendet wird. Sie bewerten die Ausgaben der Modelle und vermitteln ihnen so, wie das gewünschte Ergebnis aussieht. So können die Modelle durch das iterative Feedback Ihre Vorlieben und Qualitätsstandards kennenlernen. Verwenden Sie Reinforcement Fine Tuning, wenn Sie klare Erfolgskriterien haben, aber nur begrenzte Trainingsdaten zur Verfügung stehen, oder wenn sich Ihre Anforderungen im Laufe der Zeit ändern. Reinforcement Fine Tuning in Amazon Bedrock bietet im Durchschnitt eine um 66 % höhere Genauigkeit als Basismodelle.
Datenautomatisierung
Amazon Bedrock Data Automation ist eine vollständig verwaltete API, die sich problemlos in Ihre Anwendungen integrieren lässt. Amazon Bedrock Data Automation optimiert die Entwicklung der Anwendungen der generativen KI und automatisiert Workflows mit Dokumenten, Bildern, Audio und Videos.
- Entwickeln intelligenter Dokumentenverarbeitungs-, Medienanalysen- und andere multimodale datenzentrierte Automatisierungslösungen
- Branchenführende Genauigkeit zu geringeren Kosten sowie Features wie visuelle Erdung mit Zuverlässigkeitswerten zur besseren Erklärbarkeit und integrierte Halluzinationseindämmung
- Integriert in Amazon-Bedrock-Wissensdatenbanken, was es erleichtert, aussagekräftige Informationen aus unstrukturierten multimodalen Inhalten zu generieren, um relevantere Antworten für RAG bereitzustellen
Modelldestillation
Mit der Amazon-Bedrock-Modelldestillation können Sie kleinere, schnellere und kostengünstigere Modelle verwenden, die anwendungsfallspezifische Genauigkeit bieten – vergleichbar mit den fortschrittlichsten Modellen in Amazon Bedrock. Destillierte Modelle in Amazon Bedrock sind bis zu 500 % schneller und bis zu 75 % günstiger als Originalmodelle, mit einem Genauigkeitsverlust von weniger als 2 % für Anwendungsfälle wie RAG.
- Stimmen Sie ein Schülermodell mit einem Lehrermodell ab, das die gewünschte Genauigkeit hat.
- Die Leistung destillierter Modelle mit proprietärer Datensynthese maximieren
- Senken der Kosten durch einfache Bereitstellung Ihrer Produktionsdaten. Mit der Modelldestillation können Sie Prompts bereitstellen und diese dann verwenden, um Antworten zu generieren und die Schülermodelle zu optimieren.
- Genauigkeit der Vorhersage von Feature-Aufrufen für Agenten erhöhen. Ermöglicht kleineren Modellen, Feature-Aufrufe genau vorherzusagen, um so wesentlich schnellere Reaktionszeiten zu erzielen und die Betriebskosten zu senken.
Haben Sie die gewünschten Informationen gefunden?
Ihr Beitrag hilft uns, die Qualität der Inhalte auf unseren Seiten zu verbessern.