Un ingénieur ML doit affiner un grand modèle linguistique (LLM) pour la synthèse de texte à l'aide d'Amazon SageMaker et doit utiliser un workflow low-code/no-code. Quelle option satisfait ces contraintes ?

L'option correcte est d'utiliser SageMaker Autopilot pour affiner un LLM qui est déployé via SageMaker JumpStart. SageMaker Autopilot est une solution low-code/no-code qui automatise le processus d'entraînement et d'optimisation des modèles. SageMaker JumpStart fournit des modèles pré-entraînés, y compris des LLM, qui peuvent être affinés et déployés facilement. Cette combinaison répond aux exigences de low-code/no-code et d'affinage de LLM avec un déploiement simplifié. Les autres options sont incorrectes car : Utiliser SageMaker Studio pour affiner un LLM et le déployer sur des instances Amazon EC2 n'est pas une solution low-code/no-code et implique une gestion manuelle des instances EC2. SageMaker Autopilot ne prend pas directement en charge le déploiement via un point de terminaison d'API personnalisé sans étapes supplémentaires, et il n'est pas conçu pour le déploiement direct sur des instances EC2 pour les LLM affinés.