AWS Bedrock Foundation Model Fine-Tuning Sinhala Guide | GenAI LLM Tutorial

ඉතින් කොහොමද යාලුවනේ? අද අපි කතා කරන්න යන්නේ මේ දවස් වල තාක්ෂණ ලෝකේ හරිම ජනප්‍රිය මාතෘකාවක් ගැන. ඒ තමයි Generative AI සහ Large Language Models (LLMs). මේවා කොච්චර දියුණු වුණත්, සමහර වෙලාවට අපේ business එකේ හෝ project එකේ තියෙන specific requirements වලට හරියන්න output එකක් දෙන්න ටිකක් අමාරුයි. අන්න ඒ වගේ වෙලාවට තමයි "Fine-Tuning" කියන concept එක අපිට උදව් වෙන්නේ.

AWS Bedrock කියන්නේ මේ Foundation Models (FMs) පහසුවෙන් deploy කරලා, manage කරලා, customize කරන්න පුළුවන් AWS service එකක්. මේ tutorial එකෙන් අපි බලමු AWS Bedrock භාවිතා කරලා Foundation Models fine-tune කරන්නේ කොහොමද කියලා. Prompt Engineering වලට වඩා Fine-Tuning හොඳ වෙන්නේ මොන වගේ අවස්ථාවලදීද, dataset එකක් ලෑස්ති කරගන්නේ කොහොමද, hyperparameters තෝරගන්නේ කොහොමද, fine-tuned model එක evaluate කරන්නේ කොහොමද, වගේම cost management ගැනත් මේකෙන් ඔයාලට දැනගන්න පුළුවන්. ඉතින්, ඔයාලගේ AI models තවත් powerful කරන්න අපි මේ ගමන යමු!

Fine-Tuning vs. Prompt Engineering - තීරණය මොකක්ද?

Foundation Models එක්ක වැඩ කරනකොට අපිට ප්‍රධාන ක්‍රම දෙකක් තියෙනවා model එකෙන් අපිට ඕන කරන output එක ගන්න. ඒ තමයි Prompt Engineering සහ Fine-Tuning. මේ දෙකේ වෙනස්කම් සහ මොන වෙලාවට මොකක්ද පාවිච්චි කරන්න ඕනේ කියලා අපි බලමු.

Prompt Engineering

මේක තමයි FMs එක්ක වැඩ කරනකොට ගොඩක් අය මුලින්ම පාවිච්චි කරන ක්‍රමය. මෙතනදී අපි කරන්නේ, model එකට අපි බලාපොරොත්තු වෙන output එක ගන්න පුළුවන් විදියට හොඳ instructions (prompt) එකක් දෙන එක. මේක හරිම පහසුයි, ඉක්මන් වැඩක්. විශේෂයෙන්ම model එකේ behaviour එකේ පොඩි වෙනස්කම් ටිකක් විතරක් ඕන කරනවා නම්, Prompt Engineering වලින් ඒක කරගන්න පුළුවන්.

Example Prompt:
"ඔබ Sri Lankan customer service agent කෙනෙක්. මට 'ඔබගේ ගනුදෙනුව සාර්ථකයි!' කියලා පණිවිඩයක් දෙන්න. නමුත් ඉතාම මිත්‍රශීලී සිංහල භාෂාවෙන්."

වාසි:

• ඉක්මන් සහ අඩු වියදම්.
• විශේෂ training data අවශ්‍ය වෙන්නේ නැහැ.
• Model එකේ core functionality එක වෙනස් කරන්නේ නැහැ.

අවාසි:

• Complex, domain-specific tasks වලට ප්‍රමාණවත් වෙන්නේ නැහැ.
• Performance consistency එක අඩු වෙන්න පුළුවන්.
• සමහර වෙලාවට model එක "hallucinate" කරන්න පුළුවන් (වැරදි තොරතුරු දෙන්න පුළුවන්).

Fine-Tuning

Fine-Tuning කියන්නේ model එකේ internal parameters ටිකක් modify කරන එක. මේක කරන්නේ අපිට අවශ්‍ය specific task එකට අදාළ dataset එකක් පාවිච්චි කරලා. මේක Prompt Engineering වලට වඩා ගැඹුරු ක්‍රියාවලියක්. ඔයාගේ model එකට ඉතාම specific knowledge එකක් අවශ්‍ය නම්, නැත්නම් model එකේ output එකේ tone එක, style එක හෝ format එක සම්පූර්ණයෙන්ම වෙනස් කරන්න ඕන නම්, Fine-Tuning තමයි හොඳම විසඳුම.

උදාහරණ:

• අපේ business එකේ internal documents වලින් answers generate කරන bot කෙනෙක් හදනවා නම්.
• Specific industry (e.g., medical, legal) terminology එක්ක වැඩ කරන්න model එක customize කරනවා නම්.
• Brand voice එකට හරියන විදියට content generate කරනවා නම්.

වාසි:

• ඉතා ඉහළ precision සහ relevancy එකක් ලබාගන්න පුළුවන්.
• Model එකේ behaviour එක අපි බලාපොරොත්තු වෙන විදියට customize කරන්න පුළුවන්.
• Hallucinations අඩු කරන්න පුළුවන්.

අවාසි:

• වැඩි කාලයක් සහ වියදමක් යනවා.
• හොඳ තත්ත්වයේ training data විශාල ප්‍රමාණයක් අවශ්‍ය වෙනවා.
• Model එක train කරලා manage කරන්න technical knowledge අවශ්‍යයි.

තීරණය කරන්නේ කොහොමද?

මුලින්ම Prompt Engineering වලින් පටන් ගන්න. ඒකෙන් ඔයාට අවශ්‍ය result එක ගන්න බැරි නම්, නැත්නම් performance එක ප්‍රමාණවත් නැති නම්, Fine-Tuning ගැන හිතන්න. විශේෂයෙන්ම ඔයාගේ application එකට domain-specific knowledge හෝ brand-specific style එකක් අවශ්‍ය නම්, Fine-Tuning අනිවාර්යයෙන්ම අවශ්‍ය වේවි.

AWS Bedrock වල Fine-Tuning Workflow එක

AWS Bedrock කියන්නේ Generative AI models භාවිතා කරන අයට AWS වලින් දීලා තියෙන හරිම පහසු service එකක්. මේකෙන් අපිට foundation models (FMs) පහසුවෙන් access කරන්න, fine-tune කරන්න, deploy කරන්න පුළුවන්. Bedrock වල fine-tuning workflow එක සරල පියවර කීපයකින් සමන්විත වෙනවා:

1. Foundation Model එක තෝරාගැනීම (Select a Foundation Model)

මුලින්ම ඔයාගේ task එකට ගැලපෙන Foundation Model එකක් තෝරගන්න ඕනේ. Bedrock එකේ Amazon Titan models, Anthropic Claude, AI21 Labs Jurassic-2, Meta Llama 2 වගේ models ගොඩක් තියෙනවා. මේ හැම model එකකම තමන්ගේම capabilities සහ strengths තියෙනවා. ඔයාගේ requirement එකට ගැලපෙන model එකක් research කරලා තෝරාගන්න එක හරිම වැදගත්.

2. Dataset එක සකස් කිරීම (Prepare Your Dataset)

Fine-tuning වලට හොඳ dataset එකක් අත්‍යවශ්‍යයි. මේක තමයි model එකට "අලුත් දේවල්" උගන්වන තැන. මේ ගැන අපි ඊළඟ කොටසින් විස්තරාත්මකව කතා කරනවා. හැදුවට පස්සේ මේ dataset එක S3 bucket එකක store කරන්න ඕනේ.

3. Fine-Tuning Job එක Configure කිරීම (Configure the Fine-Tuning Job)

Bedrock console එක හරහා හෝ AWS CLI/SDK පාවිච්චි කරලා fine-tuning job එකක් configure කරන්න පුළුවන්. මෙතනදී ඔයා තෝරගත්තු FM එක, S3 එකේ තියෙන training data path එක, output S3 path එක, සහ අවශ්‍ය hyperparameters වගේ දේවල් define කරන්න ඕනේ. Bedrock වලදී fine-tuning සඳහා අවශ්‍ය compute resources (GPUs) ගැන ඔයාට හිතන්න ඕනේ නැහැ, ඒක Bedrock විසින්ම manage කරනවා. නියමයි නේද?

// Bedrock API call එකක උදාහරණයක් (pseudo-code)
{
    "baseModelIdentifier": "arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-v2",
    "jobName": "MyCustomChatbotFineTune",
    "trainingDataConfig": {
        "s3Uri": "s3://my-bedrock-data-bucket/training_data.jsonl"
    },
    "outputDataConfig": {
        "s3Uri": "s3://my-bedrock-data-bucket/fine_tuned_models/"
    },
    "hyperParameters": {
        "epochCount": "3",
        "learningRate": "0.00005",
        "batchSize": "2"
    },
    "roleArn": "arn:aws:iam::123456789012:role/BedrockFineTuneRole"
}

4. Job එක Monitor කිරීම (Monitor the Job)

Fine-tuning job එක submit කරාට පස්සේ, Bedrock console එකේ හෝ CloudWatch Logs හරහා ඒකේ status එක monitor කරන්න පුළුවන්. මේක ටිකක් වෙලා යන වැඩක් (පැය ගණනක් හෝ දවස් ගණනක්) dataset එකේ විශාලත්වය අනුව.

5. Fine-Tuned Model එක භාවිතා කිරීම (Use the Fine-Tuned Model)

Fine-tuning job එක successful වුණාට පස්සේ, Bedrock විසින් ඔයාට අලුත් custom model ID එකක් දෙනවා. මේ model ID එක පාවිච්චි කරලා inference requests කරන්න පුළුවන්. ඒ කියන්නේ ඔයාගේ custom model එක දැන් ready! ඔයාට පුළුවන් මේක Chatbot, Content Generation, Summarization වගේ ඔයාගේ application එකට integrate කරන්න.

Dataset Preparation - දත්ත ටික හදාගමු!

Fine-tuning වල සාර්ථකත්වයට ලොකුම දායකත්වයක් දෙන්නේ training dataset එක. හොඳ dataset එකක් නැත්නම්, කොච්චර හොඳ model එකක් පාවිච්චි කළත් බලාපොරොත්තු වෙන result එක ගන්න බැරි වෙන්න පුළුවන්. මේ dataset එක හදාගන්නකොට මතක තියාගන්න ඕන දේවල් කිහිපයක් තියෙනවා.

1. Dataset Format

Bedrock වලට fine-tuning data දෙන්න ඕනේ JSON Lines (JSONL) format එකෙන්. මේකේදී හැම line එකක්ම valid JSON object එකක් විය යුතුයි. සාමාන්‍යයෙන් මේ JSON object එකේ prompt/input සහ completion/output fields දෙකක් තියෙනවා.

// උදාහරණ JSONL format එකක් (prompt-completion pair)
{"prompt": "මගේ නම සරත්. මට 'ලස්සන ඉර බැස යන දර්ශනයක්' ගැන විස්තර කරන්න.", "completion": "සරත්, හිරු බැස යන දර්ශනයක් කියන්නේ හිතට පුදුම සාමයක් ගේන අත්දැකීමක්. අහස රතු, තැඹිලි, කහ පාටින් හැඩවෙද්දී, සූර්යයා ක්ෂිතිජයට එහායින් සැඟවී යනවා... "}
{"prompt": "තාක්ෂණය ගැන කෙටි වාක්‍යයක් ලියන්න.", "completion": "තාක්ෂණය මනුෂ්‍ය වර්ගයාගේ දියුණුවට සහ පහසුවට අත්‍යවශ්‍ය මෙවලමකි."}

සමහර models වලට වෙනත් formats (e.g., input/output) අවශ්‍ය වෙන්න පුළුවන්, ඒ නිසා පාවිච්චි කරන model එකේ documentation එක බලන එක වැදගත්.

2. දත්තවල ගුණාත්මකභාවය (Data Quality)

• Relevancy: ඔයාගේ task එකට අදාළ දත්ත විතරක් පාවිච්චි කරන්න. අනවශ්‍ය දත්ත model එකේ performance එකට බලපාන්න පුළුවන්.
• Accuracy: දත්ත නිවැරදි විය යුතුයි. වැරදි දත්ත වලින් model එකත් වැරදි දේවල් ඉගෙන ගන්නවා.
• Consistency: prompt සහ completion pairs වල style එක, tone එක සහ format එක පුළුවන් තරම් consistent වෙන්න ඕනේ.
• Diversity: dataset එකේ එකම විදියේ examples විතරක් නැතිව, විවිධ scenario වලට අදාළ examples තියෙන්න ඕනේ.

3. දත්ත ප්‍රමාණය (Data Quantity)

Fine-tuning වලට අවශ්‍ය දත්ත ප්‍රමාණය model එකේ complexity එක, task එකේ complexity එක සහ base model එකේ හැකියාවන් මත රඳා පවතිනවා. සාමාන්‍යයෙන්, හොඳ results ගන්න examples සිය ගණනක් (hundreds) හෝ දහස් ගණනක් (thousands) අවශ්‍ය වෙන්න පුළුවන්. සමහර වෙලාවට 'few-shot learning' වගේ ක්‍රම වලින් අඩු data ප්‍රමාණයකින් වුණත් හොඳ results ගන්න පුළුවන්, නමුත් fine-tuning වලදී ගොඩක් වෙලාවට වැඩි data ප්‍රමාණයක් අවශ්‍ය වෙනවා.

4. Dataset එක S3 වලට Upload කිරීම

ඔයාගේ JSONL file එක හදාගත්තට පස්සේ, ඒක Bedrock access කරන්න පුළුවන් S3 bucket එකක upload කරන්න ඕනේ.

# Python script එකකින් dummy training data set එකක් හදන විදිය (නියම උදාහරණයක්)
import json

training_examples = [
    {"prompt": "ආයුබෝවන්! ඔබට කොහොමද?", "completion": "ආයුබෝවන්! මට හොඳින් ඉන්නවා. ඔබට කොහොමද?"},
    {"prompt": "ලංකාවේ අගනුවර කුමක්ද?", "completion": "ශ්‍රී ලංකාවේ අගනුවර වන්නේ ශ්‍රී ජයවර්ධනපුර කෝට්ටේ ය."},
    {"prompt": "Generative AI කියන්නේ මොකක්ද?", "completion": "Generative AI කියන්නේ අලුත්, original data (text, images, audio) generate කරන්න පුළුවන් AI model වර්ගයක්."},
    {"prompt": "AWS Bedrock වල වාසි මොනවාද?", "completion": "AWS Bedrock මගින් Foundation Models (FMs) පහසුවෙන් access කරන්න, fine-tune කරන්න, deploy කරන්න පුළුවන්."}
]

output_filename = "training_data.jsonl"

with open(output_filename, "w", encoding="utf-8") as f:
    for example in training_examples:
        f.write(json.dumps(example, ensure_ascii=False) + "\n")

print(f"'{output_filename}' successfully created with {len(training_examples)} examples.")

# මේ file එක S3 වලට upload කරන්න.
# aws s3 cp training_data.jsonl s3://my-bedrock-data-bucket/training_data.jsonl

Hyperparameter Selection - හොඳම සැකසුම් ටික

Hyperparameters කියන්නේ model එක training කරන ක්‍රියාවලිය control කරන settings. මේවා training data වලින් ඉගෙන ගන්නේ නැහැ, නමුත් අපි fine-tuning job එක submit කරනකොට specify කරනවා. මේවා නිවැරදිව තෝරගන්න එකෙන් model එකේ performance එකට ලොකු බලපෑමක් කරන්න පුළුවන්. Bedrock වලදී ඔයාට customise කරන්න පුළුවන් ප්‍රධාන hyperparameters කීපයක් තියෙනවා:

1. Epoch Count

Epoch Count කියන්නේ model එක මුළු training dataset එකම කී වතාවක් බලලා training වෙයිද කියන එක.

• අඩු Epoch Count: Model එකට training data වලින් හොඳට ඉගෙන ගන්න බැරි වෙන්න පුළුවන් (Underfitting).
• වැඩි Epoch Count: Model එක training data වලට ඕනවට වඩා හොඳට adjust වෙලා, අලුත් data වලට (unseen data) හොඳට වැඩ කරන්නේ නැති වෙන්න පුළුවන් (Overfitting).

සාමාන්‍යයෙන් 1-5 වගේ පොඩි අගයකින් පටන් අරන්, model එකේ performance එක බලලා adjust කරන එක හොඳයි.

2. Batch Size

Batch Size කියන්නේ model එකේ parameters update කරන්න කලින් process කරන training examples ප්‍රමාණය.

• විශාල Batch Size: Training process එක වේගවත් වෙන්න පුළුවන්, නමුත් memory usage එක වැඩි වෙනවා.
• කුඩා Batch Size: Model එක training data වලට වඩා හොඳට adjust වෙන්න පුළුවන්, නමුත් training process එකට වැඩි කාලයක් යනවා.

මේකත් ඔයාගේ dataset එකේ ප්‍රමාණය සහ available compute resources (Bedrock manage කරනවා වුණත්, මේක concepts එකක් විදියට වැදගත්) අනුව බලපානවා.

3. Learning Rate

Learning Rate කියන්නේ model එකේ weights (කලින් ඉගෙන ගත්තු දේවල්) කොච්චර ඉක්මනින් හෝ සෙමින් update වෙයිද කියන එක.

• ඉහළ Learning Rate: Model එක හරිම ඉක්මනින් වෙනස් වෙනවා, සමහරවිට optimal solution එක pass වෙන්නත් පුළුවන්.
• පහළ Learning Rate: Model එක හරිම සෙමින් වෙනස් වෙනවා, training process එකට ගොඩක් කාලයක් යන්න පුළුවන්.

මෙය ගොඩක් වැදගත් hyperparameter එකක්. ඉතා කුඩා අගයන් (e.g., 0.00001 - 0.0001) වලින් පටන් ගැනීම සාමාන්‍යයෙන් හොඳයි.

Hyperparameter තෝරගන්නේ කොහොමද?

ඇත්තටම මේවාට perfect answer එකක් නැහැ. මේක experiment කරලා හොයාගන්න ඕන දෙයක්.

• මුලින්ම Bedrock default values එක්ක පටන් ගන්න.
• ඉන්පසු එක hyperparameter එකක් විතරක් වෙනස් කරලා test කරන්න.
• 'Grid Search' හෝ 'Random Search' වගේ advanced techniques වලින් හොඳම combination එක හොයාගන්න පුළුවන් (නමුත් Bedrock console එකෙන් මේවා සෘජුවම support කරන්නේ නැති වෙන්න පුළුවන්, API calls වලින් manage කරන්න පුළුවන්).

මේවා හරියට adjust කරන එකෙන් fine-tuned model එකේ final performance එකට ලොකු බලපෑමක් කරන්න පුළුවන්.

Fine-Tuned Model එක Evaluate කරමු

Fine-tuning job එක successful වුණාට පස්සේ, අපේ custom model එක ඇත්තටම අපිට අවශ්‍ය විදියට වැඩ කරනවද කියලා බලන එක හරිම වැදගත්. මේකට තමයි model evaluation කියන්නේ. හොඳට evaluate කරන්නේ නැතුව model එක production වලට දාන එක අවදානම් වැඩක්.

1. Human Evaluation (මිනිස් ඇසින් පරීක්ෂා කිරීම)

විශේෂයෙන් Generative AI models වල outputs evaluate කරන්න මේක තමයි gold standard එක. මිනිස්සුන්ට වගේ quality, relevancy, coherence, tone, සහ accuracy වගේ දේවල් මැනිය හැකි automated metrics තාම නැහැ.

• ක්‍රමය: Domain expert කෙනෙක් හෝ ඔයාගේ target audience එකේ සාමාජිකයන් කිහිප දෙනෙක් යොදාගෙන model එකේ outputs review කරන්න පුළුවන්. ඔවුන්ට rating එකක් (1-5 star) හෝ feedback එකක් දෙන්න කියන්න පුළුවන්.
• වාසි: Real-world performance එක ගැන හොඳ අවබෝධයක් ලැබෙනවා.
• අවාසි: කාලය ගත වෙනවා, වියදම් අධිකයි, subjective වෙන්න පුළුවන්.

2. Automated Metrics (ස්වයංක්‍රීයව මැනීම)

සමහර tasks වලට automated metrics පාවිච්චි කරන්න පුළුවන්.

• BLEU (Bilingual Evaluation Understudy), ROUGE (Recall-Oriented Understudy for Gisting Evaluation): මේවා සාමාන්‍යයෙන් machine translation සහ summarization tasks වලට පාවිච්චි කරනවා. Model එකේ output එක ground truth (නියම) answer එකට කොච්චර සමානද කියලා මේවායින් මනිනවා.
• Accuracy, Precision, Recall, F1-Score: මේවා classification tasks වලට වඩාත් සුදුසුයි (උදා: sentiment analysis).

වැදගත්: Generative AI models වල outputs evaluate කරන්න මේ automated metrics හැම වෙලාවෙම ප්‍රමාණවත් වෙන්නේ නැහැ. මොකද model එකට ground truth එකට වඩා වෙනස් වුණත්, valid සහ creative answers දෙන්න පුළුවන්. ඒ නිසා මේ metrics විතරක් පාවිච්චි කරනවා නම් පරිස්සම් වෙන්න.

3. Holdout Validation Set (නොදුටු දත්ත පරීක්ෂා කිරීම)

Fine-tuning job එකට කලින් ඔයාගේ dataset එක කොටස් දෙකකට කඩාගන්න එක හොඳ පුරුද්දක්:

• Training Set: Model එක train කරන්න පාවිච්චි කරනවා.
• Validation Set (හෝ Test Set): Model එක train කරපු නැති අලුත් data මත evaluate කරන්න පාවිච්චි කරනවා.

මේකෙන් model එක training data වලට overfitting වෙලාද, නැත්නම් real-world data වලටත් හොඳට generalize වෙනවද කියලා බලාගන්න පුළුවන්. Bedrock වල fine-tuning job එක submit කරනකොට evaluation data set එකක් specify කරන්නත් පුළුවන්, නමුත් human evaluation තවමත් හොඳම ක්‍රමය.

Cost Management - වියදම අඩු කරගමු

AWS Bedrock කියන්නේ powerful service එකක් වුණත්, ඒක භාවිතා කරනකොට වියදම ගැන හිතන එකත් වැදගත්. විශේෂයෙන් Fine-Tuning වගේ operations වලට වැඩි resources ප්‍රමාණයක් අවශ්‍ය වෙන නිසා වියදම වැඩි වෙන්න පුළුවන්. මේක smart විදියට manage කරගන්නේ කොහොමද කියලා බලමු.

1. Bedrock Pricing Models තේරුම් ගැනීම

Bedrock වල ප්‍රධාන වශයෙන් pricing types දෙකක් තියෙනවා:

• On-Demand: ඔයා පාවිච්චි කරන resources වලට විතරක් ගෙවනවා. Fine-tuning jobs වලට මේක තමයි ගොඩක් වෙලාවට අදාළ වෙන්නේ. Fine-tuning job එක run වෙන කාලය (model hour) සහ used tokens ගණන අනුව මිල වෙනස් වෙනවා.
• Provisioned Throughput: Dedicated model capacity එකක් reserve කරනවා. Production workload වලට සහ predictable latency අවශ්‍ය වෙන අවස්ථාවලට මේක හොඳයි.

අපේ Fine-Tuning job එකට අදාළව, training කාලයට (GPU hours) සහ input/output tokens වලට තමයි ප්‍රධාන වශයෙන් ගෙවන්න වෙන්නේ.

2. Fine-Tuning වියදම් අඩු කරගැනීමට උපදෙස්

• Dataset Size එක Optimize කරන්න: හැමවෙලාවෙම විශාල dataset එකක් අවශ්‍ය වෙන්නේ නැහැ. Data quality එකට ප්‍රමුඛත්වය දෙන්න. අනවශ්‍ය හෝ redundant data ඉවත් කරන්න. කුඩා, නමුත් උසස් තත්ත්වයේ dataset එකකින් හොඳ results ගන්න පුළුවන්.
• Prompt Engineering වලින් පටන් ගන්න: මුලින්ම Prompt Engineering වලින් ඔයාගේ requirement එක fulfill කරන්න පුළුවන්ද බලන්න. ඒක සාර්ථක නම්, Fine-Tuning වලට යන වියදම ඉතුරු කරගන්න පුළුවන්.
• Hyperparameters පරෙස්සමෙන් තෝරන්න: Epoch Count සහ Learning Rate වගේ hyperparameters වැඩිපුර දුන්නොත් training time එක වැඩි වෙලා වියදමත් වැඩි වෙන්න පුළුවන්. Optimal values හොයාගන්න experiment කරන්න.
• Job Monitoring: Fine-tuning job එක හොඳින් monitor කරන්න. අවශ්‍ය නම් ඉක්මනින් job එක terminate කරන්න පුළුවන්.
• Fine-Tuned Models Cleanup: අවශ්‍ය නැති Fine-Tuned Models හෝ custom endpoints තියාගෙන ඉන්න එපා. Production වල පාවිච්චි නොකරන models delete කරන්න.
• AWS Budgets සහ Cost Explorer: මේ AWS tools පාවිච්චි කරලා ඔයාගේ වියදම් monitor කරන්න සහ budget alerts set කරන්න පුළුවන්. මේකෙන් අනවශ්‍ය වියදම් වළක්වාගන්න ලොකු උදව්වක් වෙනවා.

මේ උපදෙස් පිළිපදින එකෙන් ඔයාට Bedrock Fine-Tuning වල උපරිම ප්‍රයෝජන ගන්න ගමන්, වියදම senator karaganna puluwan.

නිගමනය (Conclusion)

ඉතින් යාලුවනේ, AWS Bedrock පාවිච්චි කරලා Foundation Models fine-tune කරන්නේ කොහොමද කියලා ඔයාලට දැන් හොඳ අවබෝධයක් තියෙනවා කියලා මම හිතනවා. Prompt Engineering වලට වඩා Fine-Tuning හොඳ වෙන්නේ මොන වගේ අවස්ථාවලදීද, dataset එකක් ලෑස්ති කරගන්නේ කොහොමද, hyperparameters තෝරගන්නේ කොහොමද, model එක evaluate කරන්නේ කොහොමද, වගේම වියදම් පාලනය කරගන්න විදිය ගැනත් අපි කතා කළා.

Generative AI වල තියෙන බලය unleash කරන්න Fine-Tuning කියන්නේ හරිම powerful tool එකක්. ඔයාලගේ specific needs වලට හරියන්න AI model එකක් customize කරන්න මේකෙන් ලොකු අවස්ථාවක් ලැබෙනවා. මේක ටිකක් සංකීර්ණ වුණත්, මේ article එකේ තියෙන පියවර ටික follow කරන එකෙන් ඔයාලට පහසුවෙන් ඔයාලගේම custom LLM එකක් හදාගන්න පුළුවන්.

ඔයාලා මේක try කරලා බැලුවා නම්, ඔයාලගේ අත්දැකීම් පහළින් comment කරන්න. මේ ගැන ප්‍රශ්න තියෙනවා නම් අහන්නත් අමතක කරන්න එපා. අපි තවත් මේ වගේ වැදගත් දේවල් ගැන කතා කරමු! ජය වේවා!