DataPulse, аналитическая компания, хочет доработать базовую модель в Amazon Bedrock, чтобы улучшить ответы в диалогах поддержки продуктов. Вы подготовили файл для обучения и загрузили его в s3://datapulse-bedrock/train/support_finetune.jsonl. Bedrock ожидает один обучающий пример на строку. Какой из следующих вариантов является правильным рабочим процессом подготовки и отправки для создания задания по тонкой настройке Bedrock (настройке модели)?

Правильный ответ точно описывает процесс тонкой настройки модели в Amazon Bedrock. Bedrock ожидает обучающие данные в формате JSONL, где каждая строка является отдельным объектом с ключами "prompt" и "completion". Эти данные должны быть загружены в S3. Затем вызывается API CreateModelCustomizationJob (или эквивалент SDK) с указанием базовой модели, URI S3 для обучающих данных, IAM-роли с разрешениями на чтение S3 и trainingFormat установленным в "jsonl". Неправильные варианты: Использование SageMaker HyperParameterTuningJob неверно, так как тонкая настройка в Bedrock управляется непосредственно через Bedrock API, а не через SageMaker. Bedrock не поддерживает CSV-файлы для тонкой настройки и требует полный путь к объекту S3, а не только имя корзины. Хотя формат JSONL верен, ключи должны быть "prompt" и "completion", а не "instruction" и "response". Кроме того, весь файл не должен быть обернут в JSON-объект верхнего уровня, и для доступа к S3 всегда требуется IAM-роль.