ML 엔지니어는 Amazon SageMaker를 사용하여 텍스트 요약을 위해 대규모 언어 모델(LLM)을 미세 조정해야 하며, 로우 코드/노 코드 워크플로우를 사용해야 합니다. 다음 중 이러한 제약 조건을 충족하는 옵션은 무엇입니까?

정답은 SageMaker Autopilot을 사용하여 SageMaker JumpStart를 통해 배포되는 LLM을 미세 조정하는 것입니다. SageMaker JumpStart는 사전 훈련된 모델(LLM 포함)을 제공하여 빠르게 배포하고 미세 조정할 수 있게 합니다. SageMaker Autopilot은 로우 코드/노 코드 접근 방식으로 모델을 자동으로 훈련하고 튜닝하여, ML 엔지니어가 코드를 거의 작성하지 않고도 LLM을 미세 조정할 수 있도록 지원합니다. 다른 옵션들은 다음과 같은 이유로 올바르지 않습니다. SageMaker Studio를 사용하여 Amazon EC2 인스턴스에 배포하는 LLM을 미세 조정하는 것은 로우 코드/노 코드 제약 조건을 충족하지 않습니다. SageMaker Studio는 더 많은 코딩이 필요한 환경입니다. SageMaker Autopilot을 사용하여 사용자 지정 API 엔드포인트를 통해 배포하는 LLM을 미세 조정하는 것은 Autopilot의 주요 기능이 아니며, JumpStart를 통한 모델 배포가 더 적합합니다. SageMaker Autopilot을 사용하여 Amazon EC2 인스턴스에 배포하는 LLM을 미세 조정하는 것은 Autopilot이 직접 EC2 인스턴스에 배포하는 방식이 아니며, JumpStart를 통한 모델 배포 및 Autopilot을 통한 미세 조정이 더 효율적인 워크플로우입니다.