Un ingegnere ML deve ottimizzare un modello linguistico di grandi dimensioni (LLM) per la riassunzione di testo utilizzando Amazon SageMaker e deve usare un workflow low-code/no-code. Quale opzione soddisfa questi vincoli?

L'opzione corretta è "Usare SageMaker Autopilot per ottimizzare un LLM che viene distribuito tramite SageMaker JumpStart" perché SageMaker Autopilot offre un approccio low-code/no-code per l'ottimizzazione automatica dei modelli, inclusi gli LLM. SageMaker JumpStart, d'altra parte, fornisce modelli pre-addestrati e soluzioni pronte all'uso, facilitando la distribuzione di LLM ottimizzati senza la necessità di gestire direttamente le istanze EC2 o sviluppare endpoint API personalizzati. Questo allinea perfettamente con il requisito di un workflow low-code/no-code. Le altre opzioni sono meno appropriate: "Usare SageMaker Studio per ottimizzare un LLM che si distribuisce su istanze Amazon EC2" implica un maggiore coinvolgimento manuale nella gestione delle istanze e nell'ottimizzazione, non completamente low-code. "Usare SageMaker Autopilot per ottimizzare un LLM che si distribuisce tramite un endpoint API personalizzato" o "Usare SageMaker Autopilot per ottimizzare un LLM che si distribuisce su istanze Amazon EC2" non sfruttano la semplicità di distribuzione offerta da JumpStart per gli LLM, richiedendo più configurazione manuale per la distribuzione.