Una empresa utiliza un modelo fundacional de Amazon Bedrock y quiere mejorar su precisión usando los propios datos de la empresa. ¿Qué enfoque describe correctamente cómo ajustar el modelo (fine-tune)?

Para ajustar un modelo fundacional en Amazon Bedrock, se requiere un conjunto de datos etiquetado en un formato específico, generalmente JSONL, donde cada entrada contiene un prompt (la entrada que el modelo debe procesar) y un completion (la salida deseada o la respuesta correcta). Este formato permite al modelo aprender la relación entre las entradas y las salidas esperadas con los datos específicos de la empresa, mejorando su precisión para tareas particulares. Las otras opciones son incorrectas porque: Preparar los datos como un archivo .txt con formato CSV no es el formato estándar para el fine-tuning de modelos fundacionales en Bedrock. Comprar Provisioned Throughput es para garantizar capacidad y rendimiento, no para ajustar el modelo. Entrenar el modelo con diarios y libros de texto es una forma de pre-entrenamiento general, no de fine-tuning con datos específicos de la empresa.