Une entreprise dispose de 100 exemples de conversations de service client de haute qualité et souhaite que son chatbot adopte le ton souhaité par l'entreprise. Quelle solution répondra à ce besoin ?

La création d'une tâche de fine-tuning Amazon Bedrock est la solution la plus appropriée. Le fine-tuning permet d'adapter un grand modèle de langage (LLM) pré-entraîné à un ensemble de données spécifique (les 100 conversations de haute qualité) pour qu'il apprenne le ton et le style souhaités par l'entreprise. Amazon Bedrock fournit les outils nécessaires pour gérer ce processus. Utiliser Amazon Personalize est incorrect car il est conçu pour la personnalisation des recommandations, pas pour la génération de texte avec un ton spécifique. Créer une tâche de pré-entraînement Amazon SageMaker HyperPod est excessif et coûteux ; le pré-entraînement est pour la création d'un modèle à partir de zéro, pas pour l'adaptation d'un modèle existant avec un petit ensemble de données. Héberger le modèle sur Amazon SageMaker et déployer le LLM avec TensorRT est une étape de déploiement et d'optimisation de l'inférence, pas une méthode pour entraîner le modèle à adopter un ton spécifique.