Inżynier ML musi dostroić duży model językowy (LLM) do podsumowywania tekstu za pomocą Amazon SageMaker i musi użyć przepływu pracy low-code/no-code. Która opcja spełnia te ograniczenia?

Prawidłowa odpowiedź to użycie SageMaker Autopilot do dostrojenia LLM, który jest wdrażany za pośrednictwem SageMaker JumpStart. SageMaker Autopilot to rozwiązanie low-code/no-code, które automatyzuje tworzenie modeli ML, w tym dostrajanie LLM. SageMaker JumpStart zapewnia gotowe do użycia modele, w tym LLM, które można dostroić i wdrożyć za pomocą Autopilota, spełniając wymagania dotyczące low-code/no-code i podsumowywania tekstu. Pozostałe opcje są nieprawidłowe, ponieważ: Użycie SageMaker Studio do dostrojenia LLM, który wdrożysz na instancjach Amazon EC2: SageMaker Studio wymaga kodowania i ręcznej konfiguracji, co nie spełnia wymagań low-code/no-code. Użycie SageMaker Autopilot do dostrojenia LLM, który wdrożysz za pośrednictwem niestandardowego punktu końcowego API: Chociaż Autopilot jest low-code, wdrażanie niestandardowego punktu końcowego API wymaga dodatkowego kodowania i konfiguracji, co wykracza poza zakres low-code/no-code. Użycie SageMaker Autopilot do dostrojenia LLM, który wdrożysz na instancjach Amazon EC2: Wdrażanie na instancjach EC2 wymaga ręcznej konfiguracji i zarządzania, co nie jest zgodne z podejściem low-code/no-code.