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 sans serveur
La personnalisation des modèles d' SageMaker IA d'Amazon est une fonctionnalité qui transforme le processus traditionnellement complexe et chronophage de personnalisation des modèles d'IA, d'une entreprise de plusieurs mois, en un flux de travail rationalisé pouvant être réalisé en quelques jours. Cette fonctionnalité répond au défi majeur auquel sont confrontés les développeurs d'IA qui doivent personnaliser les modèles de base à l'aide de données propriétaires afin de créer des expériences client très différenciées. Une documentation de personnalisation détaillée, y compris des guides étape par étape et des options de configuration avancées, est fournie dans ce guide d' SageMaker IA. Pour un bref aperçu de la personnalisation du modèle Nova, voir Personnaliser et affiner avec SageMaker dans le guide de l'utilisateur Amazon Nova.
Cette fonctionnalité inclut une nouvelle interface utilisateur guidée qui comprend les exigences du langage naturel, ainsi qu'une suite complète de techniques avancées de personnalisation des modèles, toutes alimentées par une infrastructure sans serveur qui élimine les frais opérationnels liés à la gestion des ressources informatiques. Que vous créiez des applications de recherche juridique, que vous amélioriez les chatbots du service client ou que vous développiez des agents d'IA spécifiques à un domaine, cette fonctionnalité vous permet de passer plus rapidement de la validation de concept au déploiement en production.
Les fonctionnalités de personnalisation des modèles optimisées par Amazon Bedrock Evaluations peuvent transmettre en toute sécurité des données à travers votre Régions AWS zone géographique à des fins de traitement. Pour plus d'informations, consultez la documentation d'Amazon Bedrock Evaluations.
Concepts clés
Formation sans serveur
Une infrastructure informatique entièrement gérée qui élimine toute complexité de l'infrastructure, vous permettant de vous concentrer uniquement sur le développement de modèles. Cela inclut le provisionnement automatique des instances GPU (P5, P4de, P4d, G5) en fonction de la taille du modèle et des exigences de formation, des recettes de formation pré-optimisées qui intègrent les meilleures pratiques pour chaque technique de personnalisation, une surveillance en temps réel avec des métriques et des journaux en direct accessibles via l'interface utilisateur, et un nettoyage automatique des ressources une fois la formation terminée pour optimiser les coûts.
Techniques de personnalisation des modèles
Ensemble complet de méthodes avancées, notamment le réglage supervisé (SFT), l'optimisation des préférences directes (DPO), l'apprentissage par renforcement avec récompenses vérifiables (RLVR), l'apprentissage par renforcement avec feedback par IA (RLAIF) et l'apprentissage par renforcement multi-tours (RL multi-tours).
Modèle personnalisé
Version spécialisée d'un modèle de base qui a été adaptée à un cas d'utilisation spécifique en l'entraînant sur vos propres données, ce qui donne un modèle d'IA qui conserve les fonctionnalités générales du modèle de base d'origine tout en ajoutant des connaissances, une terminologie, un style ou un comportement spécifiques au domaine, adaptés à vos besoins.
Ressources de personnalisation des modèles d'IA
Ressources et artefacts utilisés pour entraîner, affiner et évaluer les modèles personnalisés au cours du processus de personnalisation des modèles. Ces actifs comprennent des ensembles de données, qui sont des collections d'exemples d'entraînement (paires de réponses rapides, texte spécifique à un domaine ou données étiquetées) utilisés pour affiner un modèle de base afin d'apprendre des comportements, des connaissances ou des styles spécifiques, et des évaluateurs, qui sont des mécanismes permettant d'évaluer et d'améliorer les performances du modèle via des fonctions de récompense (logique basée sur le code qui note les résultats du modèle en fonction de critères spécifiques, utilisée dans la formation RLVR et l'évaluation personnalisée des scores) ou des invites de récompense (instructions en langage naturel qui guident un LLM pour juger de la qualité des réponses des modèles, utilisées dans la formation et l'évaluation du RLAIF). LLM-as-a-judge
Groupe de packages modèles
Un conteneur de collecte qui permet de suivre tous les modèles enregistrés à partir des tâches de formation, fournissant un emplacement centralisé pour les versions des modèles et leur généalogie.
Modèle enregistré
Le résultat créé par l' SageMaker IA lors de l'exécution de tâches de formation sans serveur. Il peut s'agir d'un modèle affiné (tâche réussie), d'un point de contrôle (tâche échouée avec point de contrôle) ou de métadonnées associées (tâche échouée sans point de contrôle).
Modèle enregistré
Un modèle enregistré qui a été marqué à des fins formelles de suivi et de gouvernance, permettant une gestion complète du lignage et du cycle de vie.
Lignage
Les relations capturées automatiquement entre les tâches de formation, les ensembles de données d'entrée, les modèles de sortie, les tâches d'évaluation et les déploiements sur SageMaker AI et Amazon Bedrock.
Cross-account partage
La possibilité de partager des modèles, des ensembles de données et des évaluateurs entre les AWS comptes à l'aide de AWS Resource Access Manager (RAM) tout en conservant une visibilité complète du lignage.
Interfaces utilisateur
Amazon SageMaker AI propose plusieurs interfaces pour la personnalisation des modèles, ce qui vous permet de choisir l'approche la mieux adaptée à votre flux de travail et à votre niveau d'expertise. Vous pouvez personnaliser les modèles par programmation à l'aide des API disponibles via le SDK SageMaker AI Python
Tarification
Pour plus de détails sur les prix, consultez la page de tarification
