У компании есть 100 примеров высококачественных разговоров со службой поддержки клиентов, и она хочет, чтобы ее чат-бот перенял желаемый тон компании. Какое решение удовлетворит эту потребность?

Правильный ответ — Создать задачу тонкой настройки Amazon Bedrock. У компании есть небольшое количество высококачественных примеров (100 разговоров), и она хочет, чтобы чат-бот перенял определенный тон. Тонкая настройка (fine-tuning) существующей большой языковой модели (LLM) в Amazon Bedrock идеально подходит для этой цели, поскольку позволяет адаптировать модель к конкретному стилю и данным с относительно небольшим объемом обучающих данных, не требуя обучения модели с нуля. Использование Amazon Personalize неверно, так как это сервис для персонализированных рекомендаций, а не для генерации текста чат-бота. Создание задачи предварительного обучения Amazon SageMaker HyperPod неверно, поскольку HyperPod предназначен для распределенного предварительного обучения больших моделей с нуля, что избыточно и дорого для адаптации тона с 100 примерами. Размещение модели на Amazon SageMaker и развертывание LLM с помощью TensorRT неверно, так как это относится к развертыванию и оптимизации инференса уже обученной модели, а не к ее адаптации под конкретный тон.