Um engenheiro de ML deve ajustar (fine-tune) um modelo de linguagem grande (LLM) para sumarização de texto usando o Amazon SageMaker e deve usar um fluxo de trabalho low-code/no-code. Qual opção satisfaz essas restrições?

A opção correta é usar o SageMaker Autopilot para ajustar um LLM que é implantado por meio do SageMaker JumpStart. O SageMaker Autopilot é uma ferramenta low-code/no-code que automatiza a criação e o ajuste de modelos de machine learning, incluindo LLMs, tornando-o ideal para a restrição de fluxo de trabalho. O SageMaker JumpStart oferece modelos pré-treinados e soluções prontas para implantação, incluindo LLMs, que podem ser ajustados e implantados facilmente, atendendo à necessidade de ajuste e implantação de LLMs. As outras opções estão incorretas porque: Usar o SageMaker Studio para ajustar um LLM em instâncias EC2 não é um fluxo de trabalho low-code/no-code, pois o Studio geralmente envolve codificação e gerenciamento de infraestrutura. O SageMaker Autopilot não implanta modelos diretamente em endpoints de API personalizados ou instâncias EC2; ele se integra com outros serviços do SageMaker para implantação, como o JumpStart.