Generera text med språkmodeller

Introduktion till Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Skicka promptar till språkmodeller

Prompt: den inmatningstext du skickar till modellen
- "Explain how AWS Lambda works"

En ikon som representerar prompten.

Skicka promptar till språkmodeller

Prompt: den inmatningstext du skickar till modellen
- "Explain how AWS Lambda works"
Completion: den text som modellen genererar
- "AWS Lambda is a serverless compute service that..."

Ikoner som representerar prompten och completion.

Skicka promptar till språkmodeller

Prompt: den inmatningstext du skickar till modellen
- "Explain how AWS Lambda works"
Completion: den text som modellen genererar
- "AWS Lambda is a serverless compute service that..."
Response:
- Genererad text (completion)
- Metadata (tokens, modellinformation)
- Statusinformation

Tre ikoner i sekvens som representerar prompt, completion och response.

Grundläggande prompt engineering-tekniker

Tekniker för bättre resultat:
- Tydlighet och specificitet: skriv detaljerade och precisa instruktioner
- Rolltilldelning: ge modellen en persona för bättre kontextuell förståelse
- Formateringsinstruktioner: lägg till begränsningar för att styra svaret

"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."

Avancerade tekniker för textparsning

Hantera saknade eller oväntade nycklar

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

else:
    output = "Key not found"

JSON-parsning på flera nivåer för att navigera i djupt nästlade strukturer

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

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

Svarsbearbetning och texthantering

Unicode- eller kodningsproblem: hantera specialtecken i textsvar

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

Bearbetning av stora svar: dela upp eller trunkera stora utdata för bättre användbarhet

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

Kategorisering med Bedrock

Exempel: klassificera textdata
Använd strukturerade promptar med tydliga kategorialternativ
Ge explicita instruktioner för utdata i en enda kategori
Bearbeta modellsvar effektivt

Resultat: korrekt textkategorisering

Ikoner som representerar textklassificering

Kategorisering med 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"}}

Nu kör vi en övning!

Introduktion till Amazon Bedrock