Firma korzysta z modelu podstawowego z Amazon Bedrock i chce poprawić jego dokładność, używając własnych danych. Które podejście poprawnie opisuje, jak dostroić model?

Aby dostroić (fine-tune) model podstawowy w Amazon Bedrock, należy dostarczyć oznaczony zbiór danych. Ten zbiór danych musi zawierać pary prompt-completion, gdzie prompt to wejście, a completion to oczekiwana odpowiedź modelu. Model uczy się na podstawie tych par, dostosowując swoje wagi, aby lepiej generować pożądane odpowiedzi na podobne wejścia. Przygotowanie danych treningowych jako pliku .txt w formacie CSV nie jest wystarczające; dane muszą być strukturyzowane w parach prompt-completion. Zakup Provisioned Throughput zwiększa przepustowość, ale nie poprawia dokładności modelu poprzez dostosowanie do danych klienta. Trenowanie modelu przy użyciu czasopism i podręczników opisuje ogólne wstępne szkolenie modelu, a nie dostrajanie go do specyficznych danych firmy.