アプリケーションをカスタマイズする

独自のデータで基盤モデルを訓練し、特定のタスクにおける性能を向上させる。ファインチューニングにより、モデルに独自の用語、文体、出力形式、ドメイン固有の知識を学習させることで、特定のユースケースにおいてより正確で
一貫性のある応答を実現する。

モデルに以下のことを求める場合は、ファインチューニングを利用する：

• 特定の出力構造やフォーマット要件に従わせる
• 専門用語、技術的表現、または社内用語を習得させる
• 特定の口調、話し方、またはブランドスタイルを模倣させる
• 繰り返し行われる明確なタスクの精度を向上させる

強化学習によるファインチューニングは、大規模データセットではなく、応答に対するフィードバックを用いることでモデルの精度を向上させる。モデルの出力に評価を付けることで、「良い」とされる基準を教え、反復的なフィードバックを通じてあなたの好みや品質基準を学習させる。明確な成功基準はあるが学習データが限られている場合や、要件が時間とともに変化する場合は、強化学習によるファインチューニングを利用する。Amazon Bedrock の強化学習によるファインチューニングは、ベースモデルに比べて平均で 66% の精度向上を実現する。

によるファインチューニングについて詳しく学ぶ

強化学習によるファインチューニングデモにアクセス

Amazon Bedrock Data Automation は、アプリケーションに簡単に統合できるフルマネージド API です。生成 AI アプリケーションの開発を合理化し、ドキュメント、画像、音声、動画を含むワークフローを自動化します。

• インテリジェントなドキュメント処理、メディア分析、その他のマルチモーダルデータ中心のオートメーションソリューションを構築
• 業界トップクラスの精度を低コストで実現し、説明可能性に関する信頼性スコア付き視覚的グラウンディングや、ハルネーション緩和機能も搭載されています。
• Amazon Bedrock ナレッジベースと統合されるため、構造化されていないマルチモーダルコンテンツから有意義な情報を簡単に生成して、RAG のためにより適切な回答を提供することができます

Amazon Bedrock モデル蒸留では、さらに小規模かつ高速で、費用対効果の高いモデルを使用して、Amazon Bedrock の最も高度なモデルに匹敵するユースケース固有の精度を実現できます。Amazon Bedrock の蒸留モデルは、元のモデルよりも最大 500% 高速で、最大 75% 安価で、RAG などのユースケースでの精度の低下は 2% 未満です。

• 「生徒」モデルを、必要な精度を備えた「教師」モデルでファインチューニング 
• 独自のデータ合成で抽出モデルのパフォーマンスを最大化
• 本番環境のデータを使用することでコストを削減。モデル蒸留では、プロンプトを提供し、それを使用して応答を生成し、生徒モデルを微調整することができます
• エージェントの予測精度を呼び出すブースト関数。より小規模なモデルでも関数の呼び出しを正確に予測できるようになり、応答時間を大幅に短縮し、運用コストを削減できます。