要使用您自己的数据集通过 Amazon Bedrock 微调或定制模型，您首先需要准备数据，配置训练作业，并部署定制模型。Amazon Bedrock 提供对基础模型 (FM) 的托管访问，例如 Amazon Titan、Anthropic 或 Cohere 的模型，使您可以针对特定任务进行调整。该过程涉及使用 Bedrock 的 API 或控制台创建微调作业，指定超参数并监控进度。您的数据集必须根据模型的要求进行格式化——例如，用于分类等任务的标记文本对或用于指令微调的 JSONL 文件。与自管理解决方案相比，Bedrock 可以处理基础设施扩展、训练和验证，从而简化工作流程。
首先，准备与您使用的模型兼容的结构中的数据集。例如，如果微调文本生成模型，则您的数据集可能包括存储在 JSONL 文件中的输入-输出对（例如，提示和所需响应）。确保数据干净、相关并正确拆分为训练集和验证集。将数据集上传到 Amazon S3 存储桶，因为 Bedrock 要求将数据存储在此处进行训练。接下来，使用 Bedrock 控制台或 API 创建微调作业。指定模型 ID（例如，amazon.titan-text-express-v1）、数据集的 S3 路径以及学习率、批量大小和 epoch 数等超参数。Bedrock 抽象化了分布式训练的复杂性，使您可以专注于调整这些参数以获得最佳性能。
启动作业后，通过 CloudWatch 指标或 Bedrock 仪表板监控其进度。训练完成后，Bedrock 会验证模型并将微调后的版本存储在您的帐户中。然后，您可以使用 Bedrock 的运行时 API 部署它以进行推理。例如，可以通过 API 端点调用在历史工单数据上微调的客户支持聊天机器人，以生成与上下文相关的响应。请注意，Bedrock 目前仅支持对特定模型进行微调（请查看 AWS 文档以获取更新），并且成本因模型大小和训练持续时间而异。在扩展之前，始终使用小型数据集测试定制模型，以确保它满足准确性和延迟要求。