Un ingeniero de ML debe ajustar un modelo de lenguaje grande (LLM) para la creación de resúmenes de texto utilizando Amazon SageMaker y debe usar un flujo de trabajo de bajo código/sin código. ¿Qué opción satisface estas restricciones?

La opción correcta es usar SageMaker Autopilot para ajustar un LLM que se implementa a través de SageMaker JumpStart. SageMaker Autopilot proporciona un flujo de trabajo de bajo código/sin código para el entrenamiento y ajuste automático de modelos, lo cual cumple con el requisito de bajo código. SageMaker JumpStart ofrece una colección de modelos preentrenados, incluidos LLM, que se pueden implementar y ajustar fácilmente con un solo clic, lo que se alinea con la necesidad de ajustar un LLM y el enfoque de bajo código. Las otras opciones son incorrectas porque: Usar SageMaker Studio para ajustar un LLM en instancias de Amazon EC2 no es un enfoque de bajo código/sin código, ya que Studio requiere más codificación y EC2 implica gestión de infraestructura. Usar SageMaker Autopilot para ajustar un LLM implementado a través de un endpoint de API personalizado o en instancias de Amazon EC2 no aprovecha la simplicidad de implementación de modelos preentrenados que ofrece JumpStart, y la implementación en EC2 no es de bajo código.