DataPulse, een analysebedrijf, wil een foundation model in Amazon Bedrock finetunen om de antwoorden op zijn productondersteuningsdialogen te verbeteren. Je hebt een trainingsbestand voorbereid en geüpload naar s3://datapulse-bedrock/train/support_finetune.jsonl. Bedrock verwacht één trainingsexample per regel. Welke van de volgende is de juiste voorbereidings- en indieningsworkflow om een Bedrock fine-tuning (model customization) job te creëren?

De correcte optie beschrijft de standaard en aanbevolen workflow voor het finetunen van foundationmodellen in Amazon Bedrock. Bedrock verwacht trainingsdata in JSONL-formaat, waarbij elke regel een JSON-object is met "prompt" en "completion" sleutels. Het aanroepen van CreateModelCustomizationJob met de juiste parameters, inclusief de S3 URI van de trainingsdata, een IAM-rol met S3-leesrechten en het specificeren van trainingFormat als "jsonl", is essentieel. De andere opties zijn incorrect omdat: Bedrock geen SageMaker HyperParameterTuningJobs gebruikt voor finetuning en de dataformaten en methoden niet overeenkomen met de Bedrock-vereisten. Bedrock ondersteunt geen CSV-formaat voor finetuning en vereist het volledige S3-objectpad, niet alleen de bucketnaam. De sleutels "instruction" en "response" zijn niet de verwachte sleutels voor Bedrock finetuning, en het verpakken van het hele bestand in een top-level JSON-object is onjuist voor JSONL-formaat. Bovendien is een IAM-rol met S3-leesrechten altijd vereist.