Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Personalizzazione del modello serverless
La personalizzazione dei modelli SageMaker AI di Amazon è una funzionalità che trasforma il processo di personalizzazione dei modelli AI, tradizionalmente complesso e dispendioso in termini di tempo, da un'operazione lunga mesi a un flusso di lavoro semplificato che può essere completato in pochi giorni. Questa funzionalità affronta la sfida critica affrontata dagli sviluppatori di intelligenza artificiale che devono personalizzare i modelli di base con dati proprietari per creare esperienze cliente altamente differenziate. La documentazione dettagliata sulla personalizzazione, che include guide dettagliate e opzioni di configurazione avanzate, è fornita in questa guida all'intelligenza artificiale. SageMaker Per una breve panoramica sulla personalizzazione dei modelli Nova, consulta Personalizza e ottimizza con SageMaker la Amazon Nova User Guide.
La funzionalità include una nuova interfaccia utente guidata che comprende i requisiti del linguaggio naturale, con una suite completa di tecniche avanzate di personalizzazione dei modelli, tutte basate su un'infrastruttura serverless che elimina il sovraccarico operativo legato alla gestione delle risorse di calcolo. Che tu stia creando applicazioni di ricerca legale, migliorando i chatbot per il servizio clienti o sviluppando agenti di intelligenza artificiale specifici per il dominio, questa funzionalità accelera il tuo percorso dalla bozza di concetto all'implementazione in produzione.
Le funzionalità di Model Customization basate su Amazon Bedrock Evaluations possono trasmettere in modo sicuro i dati all'interno della tua area geografica per l'elaborazione. Regioni AWS Per ulteriori informazioni, accedi alla documentazione di Amazon Bedrock Evaluations.
Concetti chiave
Formazione senza server
Un'infrastruttura di elaborazione completamente gestita che elimina tutta la complessità dell'infrastruttura, consentendoti di concentrarti esclusivamente sullo sviluppo del modello. Ciò include il provisioning automatico delle istanze GPU (P5, P4de, P4d, G5) in base alle dimensioni del modello e ai requisiti di formazione, ricette di formazione pre-ottimizzate che incorporano le migliori pratiche per ciascuna tecnica di personalizzazione, monitoraggio in tempo reale con metriche e registri in tempo reale accessibili tramite l'interfaccia utente e pulizia automatica delle risorse dopo il completamento della formazione per ottimizzare i costi.
Tecniche di personalizzazione del modello
Set completo di metodi avanzati tra cui ottimizzazione supervisionata (SFT), ottimizzazione diretta delle preferenze (DPO), apprendimento per rinforzo con ricompense verificabili (RLVR), apprendimento per rinforzo con feedback AI (RLAIF) e apprendimento per rinforzo a più turni (RL a più turni).
Modello personalizzato
Una versione specializzata di un modello di base che è stata adattata a un caso d'uso specifico addestrandolo sui tuoi dati, dando vita a un modello di intelligenza artificiale che mantiene le capacità generali del modello di base originale aggiungendo conoscenze, terminologia, stile o comportamento specifici del dominio su misura per le tue esigenze.
Risorse per la personalizzazione del modello AI
Risorse e artefatti utilizzati per addestrare, perfezionare e valutare modelli personalizzati durante il processo di personalizzazione dei modelli. Queste risorse includono set di dati, che sono raccolte di esempi di formazione (coppie di risposta rapida, testo specifico del dominio o dati etichettati) utilizzati per mettere a punto un modello di base per apprendere comportamenti, conoscenze o stili specifici e valutatori, che sono meccanismi per valutare e migliorare le prestazioni del modello attraverso funzioni di ricompensa (logica basata su codice che valuta i risultati del modello in base a criteri specifici, utilizzata nella formazione RLVR e nella valutazione personalizzata del punteggio) o prompt di ricompensa (istruzioni in linguaggio naturale che guidano un LLM a giudicare la qualità delle risposte del modello, utilizzate nella formazione e nella LLM-as-a-judge valutazione RLAIF).
Gruppo di pacchetti modello
Un contenitore di raccolta che tiene traccia di tutti i modelli registrati dai processi di formazione, fornendo una posizione centralizzata per le versioni dei modelli e la loro derivazione.
Modello registrato
L'output creato dall' SageMaker intelligenza artificiale durante l'esecuzione di lavori di formazione senza server. Può trattarsi di un modello ottimizzato (lavoro riuscito), di un checkpoint (lavoro fallito con checkpoint) o di metadati associati (lavoro fallito senza checkpoint).
Modello registrato
Un modello registrato che è stato contrassegnato per scopi formali di tracciamento e governance, che consente la gestione completa della linea e del ciclo di vita.
Lignaggio
Le relazioni acquisite automaticamente tra processi di formazione, set di dati di input, modelli di output, lavori di valutazione e implementazioni su SageMaker AI e Amazon Bedrock.
Cross-account condivisione
La capacità di condividere modelli, set di dati e valutatori tra più AWS account utilizzando AWS Resource Access Manager (RAM) mantenendo al contempo una visibilità completa della derivazione.
Interfacce utente
Amazon SageMaker AI offre diverse interfacce per la personalizzazione del modello, consentendoti di scegliere l'approccio più adatto al tuo flusso di lavoro e al tuo livello di esperienza. Puoi personalizzare i modelli in modo programmatico utilizzando le API disponibili tramite SageMaker AI Python SDK
Prezzi
Per i dettagli sui prezzi, consulta la pagina dei prezzi (scheda Personalizzazione del modello).
