核心要點
在完成 資料清理與格式化 後，監督式微調（SFT）的挑戰不再是「資料是否乾淨」，而是 資料量、品質與擴充方式。本篇報導聚焦四項進階策略：學習曲線分析、子集選取與過濾、資料增強、以及資料混合，並說明如何在 Amazon Nova 與 Amazon Bedrock 生態系中落實。
背景與影響
即使資料已符合 Schema（結構）要求，仍須先確定「是否有足夠的訊號」可支撐模型學習。一般建議 約 2,000 筆高品質樣本 作為起點；若任務僅是簡單格式或語氣調整，500 筆 可能已足夠；但若是需要多步驟推理的複雜任務，則可能需要 10,000 筆以上。
在此之前，最關鍵的是建立 明確的評估基準：一套能代表實際產線流量的測試集，並配合符合業務目標的指標（如正確率、召回率、回應一致性等）。多數團隊發現，設計此基準往往比整理訓練資料更具挑戰。Amazon Bedrock 提供的 Evaluation 功能 可直接以自有資料與指標評估模型，相關流程可參考 AWS ML 部落格「Evaluate large language models for quality and responsibility」。
進階策略
-
學習曲線分析
透過逐步擴增資料量，觀察模型效能的提升幅度。圖表應關注每次 資料翻倍 後的增益，而非僅看最終分數，才能判斷是否已達飽和點。
-
資料子集選取與過濾
不是「越多越好」，而是挑選 訊號密度高、噪聲低 的樣本。可利用自動化品質檢查（如低訊號檢測）先行剔除不良例子，再保留最具代表性的子集。
-
資料增強
當人工標註成本高昂時，可透過 同義詞替換、句式變換、語意保持的翻譯回譯 等技術產生額外樣本，提升資料多樣性，同時保持原始標籤的正確性。
-
資料混合
若手頭同時擁有多個領域的資料，可採 加權抽樣 或 階段性微調 的方式，讓模型在保留通用能力的同時，逐步吸收特定領域知識，避免「過度專精」而遺失原有通用表現。
未來展望
隨著模型規模持續擴大，資料品質與有效利用 將成為成本的主要瓶頸。企業應將 評估基準的建置 放在資料工程流程的最前端，並以學習曲線為指引，動態調整資料規模與增強策略。未來，Amazon Nova 可能會整合更自動化的子集選取與增強模組，讓開發者在保持模型通用性的同時，快速完成領域專屬的微調。對於想在 AI 時代保持競爭力的組織而言，掌握這套 「規模‑品質‑擴充」三位一體的資料準備方法，將是成功的關鍵。