Menghasilkan teks dengan model bahasa

Pengantar Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Mengirim prompt ke model bahasa

Prompt: teks masukan yang Anda kirim ke model
- "Explain how AWS Lambda works"

Ikon yang mewakili prompt.

Mengirim prompt ke model bahasa

Prompt: teks masukan yang Anda kirim ke model
- "Explain how AWS Lambda works"
Completion: teks yang dihasilkan model
- "AWS Lambda is a serverless compute service that..."

Ikon yang mewakili prompt dan completion.

Mengirim prompt ke model bahasa

Prompt: teks masukan yang Anda kirim ke model
- "Explain how AWS Lambda works"
Completion: teks yang dihasilkan model
- "AWS Lambda is a serverless compute service that..."
Response:
- Teks yang dihasilkan (completion)
- Metadata (token, info model)
- Informasi status

Tiga ikon berurutan mewakili prompt, completion, dan response.

Menerapkan teknik dasar rekayasa prompt

Teknik untuk hasil lebih baik:
- Kejelasan dan spesifik: tulis instruksi rinci dan tepat
- Penetapan peran: beri persona untuk meningkatkan konteks
- Instruksi format: tambahkan batasan untuk membimbing respons

"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."

Teknik parsing teks lanjutan

Tangani key yang hilang/tidak terduga

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

else:
    output = "Key not found"

Parsing JSON bertingkat untuk struktur sangat bersarang

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

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

Pemrosesan respons dan penanganan teks

Masalah Unicode/encoding: tangani karakter khusus pada respons teks

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

Memproses respons besar: pecah atau potong output besar agar mudah digunakan

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

Ekstraksi kategori dengan Bedrock

Contoh: mengklasifikasikan data teks
Gunakan prompt terstruktur dengan opsi kategori jelas
Beri instruksi tegas untuk output satu kategori
Proses respons model secara efisien

Hasil: Kategorisasi teks akurat

Ikon yang mewakili klasifikasi teks

Ekstraksi kategori dengan 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"}}

Ayo berlatih!

Pengantar Amazon Bedrock