Un'azienda dispone di 100 esempi di conversazioni di alta qualità con il servizio clienti e desidera che il proprio chatbot adotti il tono desiderato dall'azienda. Quale soluzione soddisferà questa esigenza?

La risposta corretta è "Creare un job di fine-tuning Amazon Bedrock". Il fine-tuning su Amazon Bedrock consente di adattare un modello linguistico di grandi dimensioni (LLM) pre-esistente a un dataset specifico (i 100 esempi di conversazioni) per fargli adottare un tono e uno stile desiderati. Questo è ideale per migliorare le prestazioni di un chatbot su un dominio specifico senza dover addestrare un modello da zero. Le altre opzioni non sono adatte: Amazon Personalize è un servizio di raccomandazione, non per la generazione di testo con un tono specifico. Amazon SageMaker HyperPod è un servizio per l'addestramento distribuito di modelli su larga scala, ma non è la soluzione diretta per adattare un LLM esistente con un piccolo dataset. Ospitare un modello su Amazon SageMaker con TensorRT riguarda l'inferenza ottimizzata, non l'addestramento o l'adattamento del modello al tono desiderato.