Ein Unternehmen nutzt ein Foundation Model von Amazon Bedrock und möchte dessen Genauigkeit mithilfe der unternehmenseigenen Daten verbessern. Welcher Ansatz beschreibt korrekt, wie das Modell feinabgestimmt wird?

Um ein Foundation Model auf Amazon Bedrock mit eigenen Daten zu optimieren (Fine-Tuning), ist ein gelabelter Datensatz erforderlich. Dieser Datensatz muss Paare von Eingaben (Prompts) und den gewünschten Ausgaben (Completions) enthalten. Das Modell lernt aus diesen Beispielen, wie es auf ähnliche Prompts in Zukunft reagieren soll, wodurch seine Genauigkeit für spezifische Aufgaben verbessert wird. Die Bereitstellung von Trainingsdaten als .txt-Datei im CSV-Format ist keine Standardanforderung für Fine-Tuning auf Bedrock, da spezifische Datenformate (z.B. JSONL) mit Prompt- und Completion-Feldern erwartet werden. Der Kauf von Provisioned Throughput verbessert die Leistung und Verfügbarkeit, aber nicht die Genauigkeit des Modells durch eigene Daten. Das Training mit Fachzeitschriften und Lehrbüchern beschreibt eher eine allgemeine Trainingsmethode für Foundation Models und nicht den spezifischen Prozess des Fine-Tunings mit unternehmenseigenen Daten.