Personnalisez vos applications

Entraînez un modèle de fondation à partir de vos propres données afin d’améliorer les performances sur des tâches spécifiques. Le peaufinage enseigne aux modèles votre terminologie, votre style d’écriture, vos formats de sortie et vos connaissances spécifiques dans un domaine donné, afin de les rendre plus précis et cohérents
pour vos cas d’utilisation.

Utilisez le peaufinage lorsque vous avez besoin de modèles pour :

• Respecter des exigences spécifiques en matière de structure de sortie ou de formatage
• Maîtriser un vocabulaire spécialisé, du jargon technique ou une terminologie interne
• Reproduire un ton, une voix ou un style de marque en particulier
• Améliorer la précision de tâches répétitives et bien définies

Le peaufinage par renforcement améliore la précision du modèle en utilisant le feedback sur les réponses plutôt que de grands jeux de données. Vous enseignez aux modèles ce à quoi ressemble un « bon » résultat en évaluant leurs sorties, ce qui leur permet de connaître vos préférences et vos critères de qualité grâce à un feedback itératif. Utilisez le peaufinage par renforcement lorsque vous disposez de critères de réussite clairs, mais de données d’entraînement limitées, ou lorsque vos exigences évoluent au fil du temps. Le peaufinage par renforcement dans Amazon Bedrock permet d’augmenter la précision de 66 % en moyenne par rapport aux modèles de base.

En savoir plus sur le peaufinage par renforcement

Accéder à la démo de peaufinage par renforcement

L’automatisation des données Amazon Bedrock est une API entièrement gérée qui s’intègre facilement à vos applications. Elle permet de rationaliser le développement d’applications d’IA générative et d’automatiser les flux de travail impliquant des documents, des images, de l’audio et des vidéos.

• Créez des solutions d’automatisation intelligentes centrées sur les données multimodales, telles que le traitement de documents, l’analyse des médias et d’autres applications similaires.
• Précision de pointe à moindre coût, avec des caractéristiques telles que l’ancrage visuel accompagné de scores de confiance pour l’explicabilité et la réduction intégrée des hallucinations.
• Intégration aux bases de connaissances Amazon Bedrock, ce qui facilite la génération d’informations pertinentes à partir de contenus multimodaux non structurés, afin de fournir des réponses plus adaptées pour les systèmes RAG.

Avec la distillation de modèles Amazon Bedrock, vous pouvez exploiter des modèles plus petits, plus rapides et plus économiques, tout en conservant une précision adaptée à vos cas d’utilisation, comparable à celle des modèles les plus performants disponibles dans Amazon Bedrock. Les modèles distillés dans Amazon Bedrock sont jusqu’à 500 % plus rapides et jusqu’à 75 % moins coûteux que les modèles d’origine, avec une perte de précision inférieure à 2 % pour des cas d’utilisation tels que la RAG.

• Optimisez un modèle étudiant à l’aide d’un modèle enseignant disposant du niveau de précision souhaité. 
• Optimisez les performances des modèles distillés grâce à une synthèse des données exclusives.
• Réduisez les coûts en utilisant vos données de production. La distillation de modèles vous permet de fournir des invites, utilisées pour générer des réponses servant à optimiser les modèles étudiants.
• Améliorez la précision des prédictions d’appels de fonctions pour les agents. Permettez à des modèles plus légers de prédire correctement les appels de fonctions afin de réduire considérablement les temps de réponse et les coûts opérationnels.