DataPulse, ein Analyseunternehmen, möchte ein Foundation Model in Amazon Bedrock feinabstimmen, um die Antworten in seinen Produktsupport-Dialogen zu verbessern. Sie haben eine Trainingsdatei vorbereitet und nach s3://datapulse-bedrock/train/support_finetune.jsonl hochgeladen. Bedrock erwartet ein Trainingsbeispiel pro Zeile. Welcher der folgenden Schritte ist der korrekte Workflow zur Vorbereitung und Übermittlung, um einen Bedrock Fine-Tuning (Modellanpassungs)-Job zu erstellen?

Die korrekte Antwort beschreibt den genauen Workflow für das Fine-Tuning eines Foundation Models in Amazon Bedrock. Bedrock erwartet Trainingsdaten im JSONL-Format, wobei jede Zeile ein JSON-Objekt mit den Schlüsseln „prompt“ und „completion“ ist. Das Hochladen in S3 und der Aufruf von CreateModelCustomizationJob mit den korrekten Parametern wie baseModelArn, trainingDataS3Uri, einer roleArn mit S3-Leseberechtigungen und trainingFormat als „jsonl“ sind essenziell. Die anderen Optionen sind falsch, weil: Das Hochladen einer einzelnen JSON-Array-Datei und die Verwendung von SageMaker HyperParameterTuningJob ist nicht der direkte Bedrock-Fine-Tuning-Prozess. Bedrock unterstützt kein CSV-Format für das Fine-Tuning und erfordert den vollständigen S3-Objektpfad, nicht nur den Bucket-Namen. Die Schlüssel „instruction“ und „response“ sind nicht die von Bedrock erwarteten Schlüssel, und das Umhüllen der gesamten Datei in einem Top-Level-JSON-Objekt ist ebenfalls inkorrekt. Eine IAM-Rolle ist immer für den Zugriff auf S3-Ressourcen erforderlich.