Wie behebe ich Fehler bei der Optimierung von Modellen auf Amazon Bedrock?

Behebung

Hinweis: Wenn du beim Ausführen von AWS Command Line Interface (AWS CLI)-Befehlen Fehlermeldungen erhältst, findest du weitere Informationen dazu unter Problembehandlung bei der AWS CLI. Stelle außerdem sicher, dass du die neueste Version der AWS CLI verwendest.

Zugriffs- und Verfügbarkeitsprobleme

Voraussetzung: Fordere den Zugriff auf das Basismodell an.

Amazon Bedrock unterstützt die Optimierung in bestimmten AWS-Regionen und grundlegenden Modellen. Stelle sicher, dass du für dein Modell eine unterstützte AWS-Region mit Optimierungsfunktionen verwendest. Wenn die Region das Modell nicht unterstützt, wird die Amazon-Bedrock-Modellauswahl kontinuierlich geladen. Wenn du keinen Optimierungsauftrag erstellen kannst, wird möglicherweise die folgende Fehlermeldung angezeigt:

„Unable to Create a fine-tuning job ("The provided model identifier is invalid" error)“

Um den Zugriffsfehler zu beheben, vergewissere dich, dass die Modell- und Optimierungsfunktionen in der bevorzugten AWS-Region unterstützt werden.

Wenn du einen leeren Bildschirm siehst oder kein Modell auswählen kannst, ist das Modell in dieser Region nicht verfügbar oder das AWS-Konto hat keinen Zugriff auf das Modell. Wähle ein Modell in verschiedenen Netzwerken und Browsern aus, um das Problem zu lösen. Wenn du Modelle auswählst, erfasse eine HAR-Datei. Stelle dann sicher, dass du keine Einschränkungen für das VPN, die Firewall oder die Virtual Desktop Infrastructure (VDI) hast. Wenn du immer noch nicht auf die Amazon-Bedrock-Konsole zugreifen kannst, wende dich an deinen Netzwerkadministrator.

Probleme mit IAM-Berechtigungen

Um auf den Amazon Simple Storage Service (Amazon S3)-Bucket zuzugreifen und ein Modell anzupassen, musst du an die AWS Identity and Access Management (IAM)-Rolle die richtigen Berechtigungen anfügen. Wenn du die Berechtigungen für die IAM-Rolle nicht korrekt konfiguriert hast, wird die folgende Fehlermeldung angezeigt:

„Encountered an unexpected error when processing the request, please try again","AccessDenied".“

Gewähre IAM-Berechtigungen für Amazon Bedrock für die Modellanpassung, um diesen Fehler zu beheben.

Regionsübergreifende Zugriffsfehler

Optimierungsaufträge können nur auf Amazon-S3-Daten in derselben Region zugreifen, in welcher der Auftrag ausgeführt wird. Wenn du versuchst, auf Trainingsdaten zuzugreifen, die in einem S3-Bucket gespeichert sind, der sich in einer anderen Region als der Optimierungsauftrag befindet, wird die folgende Fehlermeldung angezeigt:

„Could not validate GetObject permissions to access S3 bucket“

Um diesen Fehler zu beheben, stelle sicher, dass sich der S3-Bucket und der Amazon Bedrock-Optimierungsauftrag in derselben Region befinden. Verschiebe dann die Trainingsdaten in einen S3-Bucket in derselben Region wie Amazon Bedrock.

Datenformat- und Validierungsfehler

Die Datensätze müssen die Anforderungen an das Trainings- und Validierungsmodell erfüllen. Wenn du einen Trainingsdatensatz mit einer falschen JSON-Struktur oder einem falschen JSON-Format absendest, erhältst du möglicherweise eine der folgenden Fehlermeldungen:

„The provided S3 URI is invalid", ";validation error detected: Value 's3://..' failed to satisfy constraint:“ Member must satisfy regular expression pattern..“

„Invalid training input data configuration. Check the input data S3 Uris(Uri should be a file, not a directory) and retry request“

Um das Problem zu lösen, stelle sicher, dass du die Datei-Uniform Resource Identifiers (URI) verwendest, und stelle sicher, dass du keine Verzeichnis-URIs verwendest.

URL-Beispiel: s3://bucket-name/datasets/train/train.jsonl

Beispiel für eine Verzeichnis-URL: s3://bucket-name/datasets/train/

Überprüfe dann, ob der Pfad auf den genauen Speicherort der Datei verweist. Wenn der Pfad nicht auf den genauen Speicherort der Datei verweist, überprüfe die vollständige Pfadstruktur im S3-Bucket. Aktualisiere deinen Datei-URI so, dass er genau dem Speicherort und dem Dateinamen entspricht, in dem du die Trainingsdaten speicherst.

Validierung der Datensatzstruktur

Verschiedene Textmodelle haben unterschiedliche Datenanforderungen und erwartete JSON-Schemas. Wenn du einen Trainingsdatensatz mit einer falschen JSON-Struktur oder einem falschen JSON-Format absendest, wird möglicherweise die folgende Fehlermeldung angezeigt:

„JSON structure is not supported: JSON schema error: JSON does not match JSON schema at line.“

Um diesen Fehler zu beheben, bereite Daten für die Optimierung von Text-zu-Text-Modellen vor.

Probleme bei der Bildoptimierung

Amazon Bedrock muss Zugriff auf die Bilddatei in den angegebenen Abmessungen haben. Wenn du Bilder hochlädst, welche die spezifischen Abmessungsanforderungen für das Modell, das du gerade optimierst, nicht erfüllen, wird möglicherweise die folgende Fehlermeldung angezeigt:

„Image Dimensions are Invalid. Check that the images conform to accepted dimensions.“

Vergewissere dich, dass die Bildabmessungen den Anforderungen für das bestimmte Modell entsprechen. Stelle dann sicher, dass du die Bilddatensätze für das bestimmte Modell vorbereitet hast.

Hinweis: Einige Modelle unterstützen nur die Textoptimierung und keine Bildoptimierung.

Fehler bei der Validierung

Deine Dateien müssen mit deinem Modell kompatibel sein. Wenn du Trainingsdaten absendest, welche die Formatierungsanforderungen des Modells nicht erfüllen oder strukturelle Probleme aufweisen, wird möglicherweise die folgende Fehlermeldung angezeigt:

„Validation error: failed during preprocessing“

Um diesen Fehler zu beheben, überprüfe das Datenformat:

• Stelle sicher, dass die JSONL-Datei ein gültiges JSON-Objekt pro Zeile enthält.
• Vergewissere dich, dass du in jedem Beispiel Pflichtfelder einbezogen hast.
• Stelle sicher, dass die Beispiele die maximalen Token-Kontingente des Modells nicht überschreiten.
• Vergewissere dich, dass die Datei die UTF-8-Kodierung ohne Probleme mit Sonderzeichen verwendet.

Überwachen des Auftragsstatus

Du kannst die Amazon-Bedrock-Konsole oder die AWS CLI verwenden, um den Auftragsstatus zu überwachen. Die Fortschrittsüberwachung in Echtzeit ist in Amazon Bedrock nicht verfügbar.

Informationen zur Verwendung der Konsole findest du unter Überwachen des Modellanpassungsauftrags.

Führe den folgenden Befehl get-model-customization-job aus, um die AWS CLI zu verwenden:

aws bedrock get-model-customization-job -job-identifier "jobARN"

Hinweis: Ersetze jobARN durch den Amazon-Ressourcennamen (ARN) des Auftrags.

Anschließend kannst du die Zeit schätzen, die für die Ausführung der einzelnen Aufgaben benötigt wird, und sie mit der tatsächlichen Fertigstellungszeit des Modells vergleichen. Berücksichtige bei der Schätzung die folgenden Faktoren:

• Die Dauer der Optimierung hängt von der Datengröße, der Anzahl der Epochen und der Batch-Größe ab.
• Frühe Fehler treten innerhalb der ersten Minuten auf.
• Bei größeren Datensätzen kann die Optimierung mehrere Stunden in Anspruch nehmen.
• Die Trainingszeit beträgt je nach Konfiguration und Datenverkehr zwischen 3 und 4 Stunden, bis zu 24 Stunden.

Wenn ein Auftrag fehlgeschlagen ist, findest du weitere Informationen unter Problembehandlung bei der Modellanpassung.

Wenn sich ein Auftrag seit mehr als 24 Stunden im Status Training befindet, wende dich an den AWS Support.

Inferenz für optimierte Modelle

Für benutzerdefinierte, optimierte Modelle musst du bereitgestellten Durchsatz für andere Modelle als Amazon Nova erwerben, um einen separaten ARN für bereitgestellte Modelle zu erstellen, der anstelle des ursprünglichen Modell-ARN verwendet wird.

Wenn du versuchst, den ursprünglichen Modell-ARN direkt in API-Aufrufen zu verwenden, wird möglicherweise die folgende Fehlermeldung angezeigt:

„An error occurred (ValidationException) when calling the xxxx operation: 1 validation error detected: Value 'arn:aws:bedrock:xxxxx' at 'modelId' failed to satisfy constraint: Member must satisfy regular expression pattern: ...“

Führe die folgenden Schritte aus, um diesen Fehler zu beheben:

1. Erstelle einen bereitgestellten Durchsatz für dein optimiertes Modell.
2. Notiere dir den ARN des bereitgestellten Modells aus der Antwort.
3. Wenn du optimierte Modelle über die API aufrufst, verwende das folgende Modell-ARN-Format, das für benutzerdefinierte Modelle spezifisch ist:
   arn:aws:bedrock:[region]:[account]:provisioned-model/[name]
   Hinweis: Ersetze region durch deine Region, account durch deine Kontoinformationen und name durch deinen Modellnamen.
4. Stelle sicher, dass sich das bereitgestellte Modell im Status InService befindet, bevor du den API-Aufruf GetProvisionedModelThroughput verwendest.

Ähnliche Informationen

Inferenz für ein benutzerdefiniertes Modell einrichten

Das Modell anpassen, um seine Leistung für deinen Anwendungsfall zu verbessern