1. Suuret kielimallit (LLM) ovat saavuttaneet menestystä eri NLP-tehtävissä, mutta eivät aina yleisty hyvin erityisiin aloihin tai tehtäviin. 2. LLM-mallin mukauttaminen voidaan tehdä käyttämällä ohjelmointia, hakua ja generointia (RAG) tai hienosäätöä, ja arviointi on välttämätöntä varmistettaessa, että mukauttaminen on parantanut mallin suorituskykyä. 3. LLM-mallin hienosäätö on kompleksinen työvirka data-tieteilijöille ja ML-insinööreille, ja Amazon Sagemakerin käyttäminen MLflow-n ja Sagemaker Pipelines -työkaluilla yksinkertaistaa tämän prosessin. 4. MLflow hallinnoi hienosäätö-kokeilujen jäljittämistä, eri suoritusten arviointitulosten vertailua, mallin versiontia, käyttöönottoa ja konfigurointia. 5. Sagemaker Pipelines voi koordinoida useita kokeiluita perustuen kokeilun konfiguraatioon. 6. Tämän prosessin edellytykset ovat Hugging Face -kirjautumistoken ja Sagemaker-pääsy, jota tarvitaan välttämättä IAM-oikeudet. 7. MLflow-jäljityspalvelimen asentaminen vaatii palvelimen nimen, artefaktien tallennuspaikan, ja se saattaa kestää jopa 20 minuuttia, kunnes se on valmis ja toimintakuntoinen. 8. LLM-mallin hienosäätöön voidaan käyttää Sagemaker Pipelines -työkalua, jotta voidaan suorittaa useita LLM-kokeiluiteraatioita samanaikaisesti, mikä vähentää käsittelyajan ja kustannusten kokonaismäärää. 9. MLflow-integraatio Sagemaker Pipelines -työkaluun kanssa vaatii jäljityspalvelimen ARN-tunnuksen ja mlflow- ja sagemaker-mlflow -Python-pakettien lisäämisen riippuvuudeksi pipeline-asennuksessa. 10. Datasetsien loggaaminen MLflow-työkalulla mahdollistaa kokeilujen seurannan ja toistettavuuden eri suoritusten välillä, mikä sallii paremman päätöksenteon siitä, mitkä mallit toimivat parhaiten tietyillä tehtävillä tai aloilla.