Een bedrijf gebruikt een foundation model van Amazon Bedrock en wil de nauwkeurigheid ervan verbeteren met behulp van de eigen gegevens van het bedrijf. Welke aanpak beschrijft correct hoe het model moet worden gefinetuned?

De correcte aanpak voor het finetunen van een foundation model in Amazon Bedrock is het aanleveren van een gelabelde dataset met zowel een prompt-veld als een completion-veld. Dit formaat is essentieel omdat finetuning het model leert om specifieke outputs (completions) te genereren als reactie op specifieke inputs (prompts), gebaseerd op uw eigen gegevens. Het voorbereiden van trainingsgegevens als een .txt-bestand met CSV-geformatteerde regels is niet het juiste formaat voor finetuning; Bedrock vereist een gestructureerd formaat zoals JSONL. Het kopen van Provisioned Throughput voor Amazon Bedrock is een capaciteitsoptie en heeft geen directe invloed op de finetuningmethode zelf. Het trainen van het model met tijdschriften en studieboeken is een generieke aanpak voor pre-training, niet voor het finetunen met bedrijfsspecifieke gegevens.