Générer du texte avec des modèles de langue

Introduction à Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Envoyer des prompts aux modèles de langue

Prompt : le texte d’entrée envoyé au modèle
- "Explain how AWS Lambda works"

Une icône représentant le prompt.

Envoyer des prompts aux modèles de langue

Prompt : le texte d’entrée envoyé au modèle
- "Explain how AWS Lambda works"
Completion : le texte généré par le modèle
- "AWS Lambda is a serverless compute service that..."

Icônes représentant le prompt et la completion.

Envoyer des prompts aux modèles de langue

Prompt : le texte d’entrée envoyé au modèle
- "Explain how AWS Lambda works"
Completion : le texte généré par le modèle
- "AWS Lambda is a serverless compute service that..."
Response :
- Texte généré (completion)
- Métadonnées (tokens, infos modèle)
- Informations de statut

Trois icônes en séquence représentant le prompt, la completion et la réponse.

Appliquer des techniques de base de prompt engineering

Techniques pour de meilleurs résultats :
- Clarté et précision : consignes détaillées et exactes
- Attribution de rôle : donner une persona pour le contexte
- Instructions de formatage : ajouter des contraintes pour guider la réponse

"Explain the benefits of exercise 
in simple terms."

"You are a nutritionist. Explain the 
benefits of a balanced diet."

"List the top 3 benefits of cloud 
computing in bullet points."

Techniques avancées d’analyse de texte

Gérer les clés manquantes ou inattendues

data = json.loads(response['body'].read())
if 'completion' in data:
    output = data['completion']

else:
    output = "Key not found"

Analyse JSON multi-niveaux pour naviguer dans des structures imbriquées

try:
    nova_output = data.decode()["output"]

except (KeyError, IndexError) as e:
    nova_output = f"Error: {str(e)}"

Traitement des réponses et gestion du texte

Problèmes Unicode/encodage : gérer les caractères spéciaux dans les réponses

# Ensure proper encoding
output = data['completion'].encode('utf-8').decode('unicode_escape')
print(output)

Grandes réponses : scinder ou tronquer pour la lisibilité

# Truncate response for display
output = data['completion'][:500]  # Limit to 500 characters
print(output)

Extraction de catégories avec Bedrock

Exemple : classifier des textes
Utiliser des prompts structurés avec options de catégories claires
Donner des consignes explicites pour une seule catégorie en sortie
Traiter les réponses du modèle efficacement

Résultat : catégorisation précise

Icônes représentant la classification de texte

Extraction de catégories avec Bedrock

def categorize_ticket(ticket, categories):
  prompt = f"Categorize into one: {', '.join(categories)}. 
  Ticket: {ticket}"
  response = bedrock.invoke_model(
    modelId='amazon.nova-micro-v1:0',
    body=json.dumps({"messages": [{"role": "user", "content": 
                                   [{"text": prompt}]}]}))

  return json.loads(nova_response.get("body").read().decode())["output"]

{"output": {"message": {"role": "assistant","content": [
        {
          "text": "Customer Service"
        }]}, "stop_reason": "stop_sequence"}}

Passons à la pratique !

Introduction à Amazon Bedrock