DataPulse, une entreprise d'analyse, souhaite affiner un modèle de fondation dans Amazon Bedrock pour améliorer les réponses de ses dialogues de support produit. Vous avez préparé un fichier d'entraînement et l'avez téléchargé sur s3://datapulse-bedrock/train/support_finetune.jsonl. Bedrock s'attend à un exemple d'entraînement par ligne. Lequel des flux de travail de préparation et de soumission suivants est correct pour créer une tâche de réglage fin (personnalisation de modèle) Bedrock ?

La première option est correcte car elle décrit précisément le processus de personnalisation d'un modèle de fondation dans Amazon Bedrock. Bedrock s'attend à un format JSONL où chaque ligne contient un objet JSON avec les clés "prompt" et "completion" pour les données d'entraînement. Le fichier doit être stocké dans S3 et le rôle IAM fourni doit avoir les autorisations de lecture nécessaires. L'appel à CreateModelCustomizationJob avec les paramètres spécifiés est la méthode correcte pour lancer la tâche. La deuxième option est incorrecte car elle mentionne un SageMaker HyperParameterTuningJob, qui n'est pas la méthode utilisée pour la personnalisation de modèles dans Bedrock. De plus, Bedrock ne récupère pas automatiquement les ensembles de données de cette manière. La troisième option est incorrecte car Bedrock ne prend pas en charge le format CSV pour la personnalisation des modèles. De plus, il faut spécifier le chemin S3 complet de l'objet, pas seulement le nom du compartiment. La quatrième option est incorrecte car Bedrock ne s'attend pas à ce que l'intégralité du fichier JSONL soit enveloppée dans un objet JSON de niveau supérieur. Chaque ligne doit être un objet JSON indépendant. De plus, un rôle IAM est toujours requis pour que Bedrock puisse accéder aux données S3.