Gerando texto com modelos de linguagem

Introdução ao Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Enviando prompts para modelos de linguagem

Prompt: o texto que você envia para o modelo
- "Explain how AWS Lambda works"

Um ícone representando o prompt.

Enviando prompts para modelos de linguagem

Prompt: o texto que você envia para o modelo
- "Explain how AWS Lambda works"
Completion: o texto gerado pelo modelo
- "AWS Lambda is a serverless compute service that..."

Ícones representando o prompt e a completion.

Enviando prompts para modelos de linguagem

Prompt: o texto que você envia para o modelo
- "Explain how AWS Lambda works"
Completion: o texto gerado pelo modelo
- "AWS Lambda is a serverless compute service that..."
Response:
- Texto gerado (completion)
- Metadados (tokens, info do modelo)
- Status

Três ícones em sequência representando o prompt, a completion e a response.

Aplicando técnicas básicas de prompt engineering

Técnicas para melhores resultados:
- Clareza e especificidade: instruções detalhadas e precisas
- Definir um papel: dar uma persona para melhorar o contexto
- Instruções de formatação: adicionar limites para guiar a resposta

"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."

Técnicas avançadas de parsing de texto

Tratar chaves ausentes ou inesperadas

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

else:
    output = "Key not found"

Parsing JSON em vários níveis para navegar estruturas aninhadas

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

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

Processamento de respostas e tratamento de texto

Problemas de Unicode/codificação: tratar caracteres especiais nas respostas

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

Processar respostas grandes: dividir ou truncar para usabilidade

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

Extração de categorias com Bedrock

Exemplo: classificar dados de texto
Use prompts estruturados com categorias claras
Instrua saída com única categoria
Processe respostas do modelo com eficiência

Resultado: categorização precisa

Ícones representando classificação de texto

Extração de categorias com 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"}}

Vamos praticar!

Introdução ao Amazon Bedrock