Een ML-engineer moet een Large Language Model (LLM) finetunen voor tekstsamenvatting met behulp van Amazon SageMaker en moet een low-code/no-code workflow gebruiken. Welke optie voldoet aan deze voorwaarden?

De juiste optie is om SageMaker Autopilot te gebruiken voor het finetunen van een LLM dat wordt geïmplementeerd via SageMaker JumpStart. SageMaker Autopilot biedt een low-code/no-code oplossing voor het bouwen, trainen en tunen van machine learning-modellen, inclusief LLM's, wat voldoet aan de eis van een low-code/no-code workflow. SageMaker JumpStart biedt vooraf getrainde modellen en oplossingen die eenvoudig kunnen worden geïmplementeerd, wat de implementatie van het gefinetunede LLM vereenvoudigt. De andere opties zijn incorrect omdat: Het finetunen van een LLM in SageMaker Studio en implementeren op EC2-instanties vereist meer code en handmatige configuratie, wat niet voldoet aan de low-code/no-code eis. SageMaker Autopilot is niet ontworpen om modellen te implementeren via aangepaste API-eindpunten of rechtstreeks op EC2-instanties na finetuning. De integratie met JumpStart stroomlijnt de implementatie van gefinetunede modellen.