1. Os grandes modelos de linguagem (LLMs) alcançaram sucesso em várias tarefas de NLP, mas podem não generalizar bem para domínios ou tarefas específicas. 2. A personalização de um LLM pode ser feita usando engenharia de prompts, Geração Aumentada por Recuperação (RAG) ou ajuste fino, e a avaliação é necessária para garantir que o processo de personalização tenha melhorado o desempenho do modelo. 3. Ajustar um LLM pode ser um fluxo de trabalho complexo para cientistas de dados e engenheiros de ML para operacionalizar, e usando o Amazon SageMaker com MLflow e SageMaker Pipelines pode simplificar esse processo. 4. O MLflow pode gerenciar o rastreamento de experimentos de ajuste fino, comparar resultados de avaliação de diferentes execuções, versionamento de modelos, implantação e configuração. 5. As SageMaker Pipelines podem orquestrar múltiplos experimentos com base na configuração do experimento. 6. Os pré-requisitos para este processo incluem um token de login Hugging Face e acesso SageMaker com permissões IAM necessárias. 7. Para configurar um servidor de rastreamento MLflow, você precisa criar um servidor com um nome, local de armazenamento de artefatos e pode levar até 20 minutos para inicializar e se tornar operacional. 8. Para ajustar um LLM, você pode usar SageMaker Pipelines para executar várias iterações de experimentos LLM simultaneamente, reduzindo o tempo de processamento e custo. 9. A integração do MLflow com SageMaker Pipelines requer o ARN do servidor de rastreamento e adicionar os pacotes Python mlflow e sagemaker-mlflow como dependências na configuração do pipeline. 10. O registro de conjuntos de dados com MLflow habilita o rastreamento e a reprodutibilidade de experimentos em diferentes execuções, permitindo que as decisões sejam mais informadas sobre quais modelos se saem melhor em tarefas ou domínios específicos.