Uma empresa tem 100 exemplos de conversas de atendimento ao cliente de alta qualidade e quer que seu chatbot adote o tom desejado pela empresa. Qual solução atenderá a essa necessidade?

Ajustar um modelo de linguagem grande (LLM) existente com seus 100 exemplos de conversas de alta qualidade no Amazon Bedrock é a solução mais eficaz. O fine-tuning permite que o LLM aprenda os padrões, o tom e o estilo específicos desejados pela empresa, adaptando seu comportamento para gerar respostas que correspondam aos exemplos fornecidos. Amazon Personalize é para recomendações personalizadas, não para ajustar o tom de um chatbot. Amazon SageMaker HyperPod é para treinamento distribuído de modelos grandes, não para o fine-tuning de um LLM existente com um conjunto de dados menor e específico. Hospedar um modelo no SageMaker com TensorRT é uma otimização de inferência, não um método para ensinar o modelo a adotar um tom específico.