Un'azienda utilizza un modello di base di Amazon Bedrock e desidera migliorarne l'accuratezza usando i propri dati. Quale approccio descrive correttamente come ottimizzare il modello (fine-tuning)?

Il fine-tuning di un modello di base in Amazon Bedrock richiede un dataset etichettato specifico. Questo dataset deve contenere coppie di "prompt" e "completion" (o "input" e "output") che mostrano al modello come dovrebbe rispondere a determinati input, migliorando così la sua accuratezza su compiti specifici dell'azienda. Preparare i dati come un file .txt in formato CSV non è il formato corretto per il fine-tuning e non specifica la struttura prompt/completion. Acquistare Provisioned Throughput è per la capacità e le prestazioni, non per il miglioramento dell'accuratezza del modello tramite dati specifici. Addestrare il modello con riviste e libri di testo è un approccio di pre-training generale, non di fine-tuning su dati aziendali specifici.