Texte mit Sprachmodellen erzeugen

Einführung in Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Prompts an Sprachmodelle senden

Prompt: der Eingabetext, den du ans Modell schickst
- "Explain how AWS Lambda works"

Ein Symbol für den Prompt.

Prompts an Sprachmodelle senden

Prompt: der Eingabetext, den du ans Modell schickst
- "Explain how AWS Lambda works"
Completion: der vom Modell generierte Text
- "AWS Lambda is a serverless compute service that..."

Symbole für Prompt und Completion.

Prompts an Sprachmodelle senden

Prompt: der Eingabetext, den du ans Modell schickst
- "Explain how AWS Lambda works"
Completion: der vom Modell generierte Text
- "AWS Lambda is a serverless compute service that..."
Response:
- Generierter Text (Completion)
- Metadaten (Tokens, Modellinfos)
- Statusinformationen

Drei Symbole in Folge für Prompt, Completion und Response.

Grundlegende Prompt-Techniken anwenden

Techniken für bessere Ergebnisse:
- Klar und präzise: genaue, konkrete Anweisungen
- Rolle zuweisen: Persona für mehr Kontext
- Formatvorgaben: Constraints zur Antwort geben

"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."

Fortgeschrittenes Text-Parsing

Fehlende oder unerwartete Keys behandeln

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

else:
    output = "Key not found"

Verschachtelte JSONs parsen (tief navigieren)

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

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

Antworten verarbeiten und Text handhaben

Unicode-/Encoding-Probleme: Sonderzeichen korrekt verarbeiten

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

Große Antworten verarbeiten: teilen oder kürzen für Usability

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

Kategorie-Extraktion mit Bedrock

Beispiel: Textdaten klassifizieren
Strukturierte Prompts mit klaren Kategorien nutzen
Explizit: nur eine Kategorie ausgeben
Modellantworten effizient verarbeiten

Ergebnis: Präzise Textkategorisierung

Symbole für Textklassifikation

Kategorie-Extraktion mit 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"}}

Lass uns üben!

Einführung in Amazon Bedrock