Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Personnalisation des modèles Amazon Nova sur AI SageMaker

Vous pouvez personnaliser les modèles Amazon Nova, y compris les modèles Amazon Nova 2.0 améliorés, à l'aide de recettes et les entraîner SageMaker. Ces recettes prennent en charge des techniques telles que le réglage fin supervisé (SFT) et le renforcement Fine-Tuning (RFT), avec des options d'adaptation de rang complet et d'adaptation de rang inférieur (LoRa).

Le flux de travail de personnalisation de bout en bout implique des étapes telles que l’entraînement des modèles, l’évaluation des modèles et le déploiement à des fins d’inférence. Cette approche de personnalisation des modèles SageMaker offre une flexibilité et un contrôle accrus pour affiner les modèles Amazon Nova pris en charge, optimiser les hyperparamètres avec précision et implémenter des techniques telles que le réglage fin efficace des paramètres LoRa (PEFT), le SFT à rang complet, le RFT et le Continued (CPT). Pre-Training

Approches de personnalisation

SageMaker propose deux approches pour personnaliser les modèles Amazon Nova :

UI-based expérience  : utilisez Amazon SageMaker Studio pour personnaliser les modèles Amazon Nova via une interface simple et guidée. Cette approche fournit un flux de travail de bout en bout comprenant la formation, l'évaluation et le déploiement sans écrire de code. L' UI-based expérience est idéale pour les expériences rapides, le développement de preuves de concept et les utilisateurs qui préfèrent un flux de travail visuel.

Code-based expérience  : utilisez le SDK SageMaker Python, le SDK Nova et les recettes de formation pour personnaliser les modèles par programmation. Cette approche offre une plus grande flexibilité, vous permettant de configurer des hyperparamètres avancés, de les intégrer à des CI/CD pipelines et d'automatiser les flux de formation. L'expérience basée sur le code est recommandée pour les charges de travail de production, les exigences de personnalisation complexes et les équipes ayant des pratiques MLOps établies.

Plateformes de personnalisation

AWS propose trois plateformes pour personnaliser les modèles Amazon Nova, chacune étant conçue pour des cas d'utilisation et des exigences différents :

Amazon Bedrock  : offre la solution la plus simple et la plus rapide pour personnaliser les modèles avec un minimum de configuration. Bedrock gère automatiquement toute la gestion de l'infrastructure, ce qui vous permet de vous concentrer sur vos données et votre cas d'utilisation. Cette plateforme est idéale lorsque vous avez besoin du délai de rentabilisation le plus rapide et que vous préférez une expérience entièrement gérée.

SageMaker tâches de formation  : fournit un environnement entièrement géré pour personnaliser les modèles Amazon Nova, dans lequel vous n'avez pas besoin de créer ou de gérer de clusters. Le service gère automatiquement l'ensemble du provisionnement, de la mise à l'échelle et de la gestion des ressources de l'infrastructure, ce qui vous permet de vous concentrer sur la configuration de vos paramètres de formation et sur la soumission de votre travail. Cette plateforme offre un équilibre entre facilité d'utilisation et flexibilité, en prenant en charge des techniques telles que l'efficacité des paramètres Fine-tuning (PEFT), le réglage fin des rangs complets et le renforcement Fine-Tuning (RFT).

SageMaker HyperPod— Offre un environnement spécialisé pour la formation distribuée à grande échelle en vous demandant de créer et de gérer des clusters EKS avec des groupes d'instances restreints (RIG). Cette plate-forme vous offre une flexibilité maximale dans la configuration de votre environnement de formation avec des instances GPU spécialisées et un stockage Amazon FSx pour Lustre intégré, ce qui la rend particulièrement adaptée aux scénarios de formation distribuée avancés, au développement continu de modèles et aux charges de travail de personnalisation à l'échelle de l'entreprise.