Una empresa tiene 100 ejemplos de conversaciones de servicio al cliente de alta calidad y quiere que su chatbot adopte el tono deseado por la empresa. ¿Qué solución satisfará esta necesidad?

La opción correcta es "Crear un trabajo de ajuste fino de Amazon Bedrock". El ajuste fino (fine-tuning) permite adaptar un modelo de lenguaje grande (LLM) preentrenado a un conjunto de datos específico. En este caso, los 100 ejemplos de conversaciones de alta calidad pueden usarse para entrenar el LLM de Bedrock para que genere respuestas con el tono deseado por la empresa. Las otras opciones son incorrectas: Amazon Personalize se utiliza para recomendaciones personalizadas, no para generar respuestas de chatbot con un tono específico. Amazon SageMaker HyperPod está diseñado para el entrenamiento distribuido de modelos grandes, pero el ajuste fino de un LLM existente es una solución más directa y eficiente para este caso de uso. Alojar el modelo en Amazon SageMaker e implementar el LLM con TensorRT se refiere a la infraestructura de despliegue y optimización, no al método para adaptar el tono del modelo.