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
Note
Cette documentation concerne la version 1 d'Amazon Nova. Amazon Nova 2 est désormais disponible avec de nouveaux modèles et des fonctionnalités améliorées. Pour plus d'informations sur la personnalisation d'Amazon Nova 2, consultez l'article Personnalisation des modèles Amazon Nova 2.
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), l'optimisation des préférences directes (DPO) 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 mettre en œuvre des techniques telles que le réglage fin efficace des paramètres LoRa (PEFT), le SFT complet, le DPO, le RFT, le Continued (CPT), l'optimisation des politiques proximales Pre-Training (PPO), etc.
SageMaker propose deux environnements pour personnaliser les modèles Amazon Nova.
-
SageMaker training jobs 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 le provisionnement, le dimensionnement et la gestion des ressources de l’infrastructure, ce qui vous permet de vous concentrer uniquement sur la configuration de vos paramètres d’entraînement et la soumission de votre travail. Vous pouvez personnaliser les modèles Nova lors des tâches d' SageMaker entraînement à l'aide de techniques telles que l'efficacité des paramètres Fine-tuning (PEFT), le réglage fin du classement complet, l'optimisation des préférences directes (DPO) et le renforcement Fine-Tuning (RFT). Pour de plus amples informations, veuillez consulter Personnalisation d'Amazon Nova sur SageMaker Training Jobs.
Note
Si vous fournissez une clé KMS pour votre tâche de formation à la personnalisation du modèle Amazon Nova pour le chiffrement dans le compartiment S3 Amazon-owned de sortie :
-
Vous devez fournir la même clé KMS lorsque vous appelez les tâches de formation itératives suivantes ou lorsque vous appelez l'CreateCustomModelAPI Amazon Bedrock en utilisant le modèle chiffré.
-
L'identité qui appelle l'
CreateTrainingJobAPI (plutôt que le rôle d'exécution) doit disposer des autorisations nécessaires pourCreateGrantRetireGrant,Encrypt, et conformémentGenerateDataKeyà la politique de clé KMS.
-
-
SageMaker HyperPodpropose un environnement spécialisé pour entraîner les modèles Amazon Nova en vous demandant de créer et de gérer des clusters SageMaker HyperPod EKS avec des groupes d'instances restreints (RIG). Cet environnement vous permet de configurer votre environnement d’entraînement avec des instances de GPU spécialisées et un stockage intégré Amazon FSx pour Lustre, ce qui le rend particulièrement adapté aux scénarios d’entraînement distribué avancés et au développement continu de modèles. Pour de plus amples informations, veuillez consulter Personnalisation d'Amazon Nova sur SageMaker HyperPod.
Dans ce chapitre
