Tekst genereren met taalmodellen

Introductie tot Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Prompts naar taalmodellen sturen

Prompt: de invoertekst die je naar het model stuurt
- "Explain how AWS Lambda works"

Een pictogram dat de prompt voorstelt.

Prompts naar taalmodellen sturen

Prompt: de invoertekst die je naar het model stuurt
- "Explain how AWS Lambda works"
Completion: de tekst die het model genereert
- "AWS Lambda is a serverless compute service that..."

Pictogrammen die de prompt en completion voorstellen.

Prompts naar taalmodellen sturen

Prompt: de invoertekst die je naar het model stuurt
- "Explain how AWS Lambda works"
Completion: de tekst die het model genereert
- "AWS Lambda is a serverless compute service that..."
Response:
- Gegenereerde tekst (completion)
- Metadata (tokens, modelinfo)
- Statusinformatie

Drie pictogrammen op rij die prompt, completion en response voorstellen.

Basisprincipes van prompt engineering toepassen

Technieken voor betere resultaten:
- Duidelijk en specifiek: geef gedetailleerde, precieze instructies
- Roltoewijzing: geef een persona voor meer contextbegrip
- Opmaakregels: voeg beperkingen toe om het antwoord te sturen

"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."

Geavanceerde tekstparsingtechnieken

Ontbrekende of onverwachte keys afvangen

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

else:
    output = "Key not found"

Meervoudige JSON-niveaus parsen voor diep geneste structuren

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

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

Antwoordverwerking en tekstateliering

Unicode-/coderingproblemen: ga om met speciale tekens in tekstantwoorden

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

Grote antwoorden verwerken: splits of truncate voor bruikbaarheid

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

Categorie-extractie met Bedrock

Voorbeeld: tekst classificeren
Gebruik gestructureerde prompts met duidelijke categorieën
Geef expliciete instructies voor één categorie als output
Verwerk modelantwoorden efficiënt

Resultaat: nauwkeurige tekston indeling

Pictogrammen die tekstclassificatie voorstellen

Categorie-extractie met 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"}}

Laten we oefenen!

Introductie tot Amazon Bedrock