DataPulse, una empresa de análisis, quiere ajustar un modelo fundacional en Amazon Bedrock para mejorar las respuestas en sus diálogos de soporte de productos. Ha preparado un archivo de entrenamiento y lo ha subido a s3://datapulse-bedrock/train/support_finetune.jsonl. Bedrock espera un ejemplo de entrenamiento por línea. ¿Cuál de los siguientes es el flujo de trabajo correcto de preparación y envío para crear un trabajo de ajuste fino (personalización de modelo) de Bedrock?

La opción correcta describe el flujo de trabajo preciso para el ajuste fino en Amazon Bedrock. Bedrock requiere datos de entrenamiento en formato JSONL, donde cada línea es un objeto con las claves "prompt" y "completion". El archivo debe subirse a S3 y luego se invoca la API CreateModelCustomizationJob (o su equivalente en SDK) especificando el ARN del modelo base, la URI de S3 de los datos de entrenamiento, un roleArn con permisos de lectura de S3 y trainingFormat como "jsonl". Las opciones incorrectas presentan formatos de datos o métodos de personalización que no son compatibles con el ajuste fino de Bedrock: La opción de SageMaker HyperParameterTuningJob no es el método directo para el ajuste fino de modelos fundacionales en Bedrock. Bedrock no admite archivos CSV para el ajuste fino, ni espera solo el nombre del bucket de S3. La opción de usar "instruction" y "response" como claves, o envolver el archivo en un objeto JSON de nivel superior, es incorrecta para el esquema de Bedrock, que espera "prompt" y "completion" directamente en cada línea JSONL. Además, se requiere un rol de IAM.