DataPulse, un'azienda di analisi, desidera ottimizzare un modello di base in Amazon Bedrock per migliorare le risposte nei dialoghi di supporto ai prodotti. Hai preparato un file di training e lo hai caricato su s3://datapulse-bedrock/train/support_finetune.jsonl. Bedrock si aspetta un esempio di training per riga. Qual è il flusso di lavoro corretto di preparazione e invio per creare un job di fine-tuning (personalizzazione del modello) di Bedrock?

L'opzione corretta descrive il processo standard e documentato per il fine-tuning dei modelli in Amazon Bedrock. Richiede un file JSONL in cui ogni riga è un oggetto con le chiavi "prompt" e "completion", caricato su S3. La chiamata API CreateModelCustomizationJob (o l'equivalente SDK) è il metodo corretto per avviare il processo, specificando l'ARN del modello di base, l'URI S3 dei dati di training, un ruolo IAM con permessi adeguati e il formato di training come "jsonl". Le altre opzioni sono errate perché: L'uso di SageMaker HyperParameterTuningJob non è il meccanismo diretto per il fine-tuning in Bedrock. Bedrock non supporta direttamente il formato CSV per il fine-tuning, né si aspetta solo il nome del bucket S3; richiede l'URI completo dell'oggetto. Le chiavi "instruction" e "response" non sono lo schema standard per il fine-tuning in Bedrock, e racchiudere l'intero file JSONL in un oggetto JSON di livello superiore non è richiesto o corretto. Inoltre, un ruolo IAM è sempre necessario per l'accesso ai dati S3.