Appliquer des techniques d'ingénierie des invites

Introduction à Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Few-shot learning

Qu'est-ce que le few-shot learning ?
- Technique pour guider le modèle en donnant quelques exemples dans l'invite
- Aide le modèle à déduire des motifs et à améliorer la qualité des réponses
Avantages clés :
- Réduit l'ambiguïté de l'invite
- Produit des résultats plus cohérents et précis

Schéma conceptuel illustrant l'apprentissage par l'exemple.

Few-shot learning avec les modèles

prompt = """Here are examples of AWS service summaries:

Service: Amazon S3
Summary: Object storage service for storing and retrieving any amount of data.

Service: Amazon EC2
Summary: Virtual servers in the cloud for running applications.

Now, write a similar summary for:
Service: AWS Lambda\n\nSummary:"""

Qu'est-ce que le formatage structuré des sorties ?

Organise les réponses du modèle dans un format clair et prévisible
Idéal pour l'automatisation et l'extraction de données

Contrôler le format de réponse

Demander des structures de sortie précises
Utiliser des marqueurs clairs pour l'analyse
Définir des contraintes de format

prompt = """Analyze AWS Lambda and provide output in this format:
DESCRIPTION:[2-3 sentence description]
KEY FEATURES:
- [feature 1]
- [feature 2]
USE CASES:
1. [use case 1]
2. [use case 2]"""

Créer des invites efficaces

Combiner des exemples few-shot avec des invites système
Utiliser un formatage structuré avec des exemples
Superposer les techniques pour de meilleurs résultats

prompt = """You are an AWS technical writer. 
Here's an example of how to document APIs:
API: GetItem
Format: - Purpose: [one line], 
- Parameters: [list], 
- Returns: [description]
Now document the following API:
API: PutItem"""

Passons à la pratique !

Introduction à Amazon Bedrock