Personalização de modelos com o Amazon SageMaker AI
Personalize modelos com seus dados usando o mais amplo conjunto de técnicas. Com tecnologia sem servidor integral, na infraestrutura em que você confia.
Por que usar o SageMaker AI para personalização de modelos
O Amazon SageMaker AI permite que os desenvolvedores de IA personalizem mais de 20 modelos populares de peso aberto e o Amazon Nova usando ajuste fino supervisionado (SFT), otimização de preferência direta (DPO), aprendizado por reforço com recompensas verificáveis (RLVR) e aprendizado por reforço com feedback de IA (RLAIF).
Todo o fluxo de trabalho tem tecnologia sem servidor integral. O SageMaker lida com o provisionamento, a escalabilidade e a otimização da computação.
Implante modelos personalizados no Amazon Bedrock para inferência com tecnologia sem servidor ou nos endpoints do SageMaker para inferência gerenciada. Consulte a de documentação para obter a lista mais recente de modelos e técnicas compatíveis
Benefícios
Personalização rápida de modelos com máxima precisão
Conclua o fluxo de trabalho de ponta a ponta, desde a preparação dos dados até a implantação, em dias, não meses. Comece com a interface de usuário guiada ou com um fluxo de trabalho guiado por um agente de IA e, em seguida, automatize com o SDK do SageMaker para Python. Tecnologia sem servidor integral — sem infraestrutura para provisionar, sem capacidade de gerenciamento.
Uma ampla seleção de técnicas de personalização em mais de 20 modelos abertos, tudo por meio de uma experiência com tecnologia sem servidor. Modelos de peso aberto significam que você possui os pesos — implante seu modelo personalizado no Amazon Bedrock para inferência com tecnologia sem servidor, nos endpoints do SageMaker para inferência gerenciada ou exporte para sua própria infraestrutura. As habilidades de personalização de modelos são de código aberto no GitHub, para que as equipes possam inspecioná-las, bifurcá-las e adaptá-las de acordo com seus fluxos de trabalho.
As métricas de treinamento e os resultados da avaliação são rastreados e registrados diretamente no MLFlow no SageMaker AI, para que você possa monitorar cada experimento e comparar o desempenho do modelo com visibilidade total.
Personalização de modelos simplificada
Recursos abrangentes para personalizar modelos em todo o fluxo de trabalho
Preparação dos dados
Usando habilidades de personalização de modelos, seu agente de codificação gera código para formatar seus dados para o modelo e a técnica de personalização selecionados, valida a qualidade dos dados e identifica lacunas. Isso reduz semanas de curadoria manual de dados para horas. Para necessidades mais amplas de preparação de dados, o SageMaker AI oferece o Data Wrangler para transformação visual de dados com mais de 300 transformações integradas, Ground Truth para rotulagem de dados em grande escala e trabalhos de processamento para fluxos de trabalho de processamento de dados personalizados. Traga seus próprios dados ou gere dados sintéticos (em pré-visualização) quando os dados do mundo real forem limitados, confidenciais ou difíceis de obter. O SageMaker AI pode gerar exemplos de treinamento sintético para tarefas específicas que complementam seus conjuntos de dados existentes, ajudando você a superar a escassez de dados sem comprometer a qualidade do modelo.
Técnicas avançadas de personalização
O SageMaker AI oferece suporte às mais recentes técnicas de personalização de modelos, incluindo ajuste fino supervisionado (SFT), otimização de preferência direta (DPO) e aprendizado por reforço com feedback de IA (RLAIF) e recompensas verificáveis (RLVR).
O SageMaker AI suporta ajuste fino supervisionado (SFT) ou otimização de preferência direta (DPO) quando você precisa alterar o comportamento do modelo e avançar para o aprendizado por reforço (RLVR, RLAIF) quando você precisa otimizar para sinais de recompensa específicos. Para um pré-treinamento contínuo, aproveite tarefas de treinamento do SageMaker ou o SageMaker HyperPod para escalar milhares de aceleradores.
Personalização completa de modelos com tecnologia sem servidor
O SageMaker AI seleciona e provisiona automaticamente os recursos computacionais apropriados com base no modelo e no tamanho dos dados, tudo sem exigir que você selecione e gerencie instâncias.
Inferência
Depois de atingir os objetivos desejados de precisão e performance, você pode realizar a implantação de modelos em produção com apenas alguns cliques nos endpoints de inferência do SageMaker AI ou Amazon Bedrock para inferência com tecnologia sem servidor.
LLMOps
Você pode registrar automaticamente todas as métricas críticas do experimento sem provisionar um servidor de rastreamento ou modificar o código. A integração com o MLflow também fornece visualizações ricas e uma entrada na interface de usuário do MLflow para análises adicionais.
Interface fácil de usar
Use a interface de usuário guiada no SageMaker Studio para selecionar um modelo, escolher uma técnica, configurar seu conjunto de dados, iniciar o treinamento com tecnologia sem servidor, monitorar métricas em tempo real e implantar — tudo com apenas alguns cliques. Nenhum agente ou código é necessário.
Desenvolvimento guiado por atendentes
Descreva seu caso de uso e um agente de codificação de IA orientará você na transformação de dados, seleção de técnicas, configuração de hiperparâmetros, avaliação e implantação. As habilidades específicas dos agentes trazem conhecimento especializado em técnicas de ajuste fino, seleção de modelos, APIs de IA do SageMaker e metodologias de avaliação para seu agente de codificação de IA, ajudando você a se desenvolver mais rápido e com confiança. As habilidades dos agentes são conjuntos de instruções pré-criados e personalizáveis que se adaptam aos seus fluxos de trabalho e padrões de governança existentes. Comece a usar o SageMaker Studio JupyterLab com o Kiro e as habilidades do agente pré-instaladas ou use as habilidades do agente com seu IDE ou agente de codificação preferido, incluindo Kiro IDE, Cursor, Claude Code e VS Code.
SDK do SageMaker para Python
Configure e inicie programaticamente trabalhos de personalização, defina critérios de avaliação e implante modelos. Controle total sobre cada parâmetro para desenvolvedores que preferem fluxos de trabalho que priorizam o código.
Clientes
Por que nossos clientes escolhem o Amazon SageMaker AI para personalização de modelos
Collinear AI
“Na Collinear, criamos conjuntos de dados e ambientes de simulação selecionados para laboratórios de IA de ponta e empresas da Fortune 500 para melhorar os modelos. O ajuste fino dos modelos de IA é fundamental para criar simulações de alta fidelidade e costumava exigir a junção de sistemas diferentes para treinamento, avaliação e implantação. Agora, por meio do novo recurso de personalização de modelos com tecnologia sem servidor do Amazon SageMaker AI, temos uma forma unificada que nos permite reduzir nossos ciclos de experimentação de semanas para dias. Essas ferramentas com tecnologia sem servidor de ponta a ponta nos ajudam a focar no que importa: criar melhores dados de treinamento e simulações para nossos clientes, sem precisar realizar a manutenção da infraestrutura ou fazer malabarismos com plataformas diferentes.”
Soumyadeep Bakshi, cofundador, Collinear AI
Oleum
“Na Oleum, estamos criando ferramentas de IA que ajudam as organizações a entender e confiar em seus dados. A nova experiência de IA agêntica do Amazon SageMaker AI é exatamente o tipo de ferramenta de que precisamos. Ele atua como um parceiro de ideias, não apenas um executor de tarefas, recomendando técnicas, detectando incompatibilidades em nossos dados e permitindo que criemos qualquer fluxo de trabalho que quisermos, em vez de nos forçar a passar por um processo rígido. O fato de essas habilidades se conectarem diretamente ao nosso ambiente de desenvolvimento agente existente significa que podemos experimentar abordagens de ajuste fino sem alternar o contexto entre as plataformas. E com a nova experiência de bate-papo incorporada diretamente ao JupyterLab no SageMaker Studio, podemos passar da conversa para o caderno executável e para a tarefa de treinamento em um só lugar. É flexível, personalizável e criado para a forma como as equipes modernas de ML realmente trabalham.”
Oleum — Alejandro Ballesteros, Diretor de tecnologia
Wink
“Na Wink, estamos criando gêmeos digitais com inteligência artificial que capturam as nuances de personalidades humanas reais, ajudando os usuários a rastrear conexões genuínas antes de se encontrarem pessoalmente. Nosso fluxo de trabalho de desenvolvimento mudou totalmente para experiências agênticas e orientadas por prompts: agimos com rapidez e enviamos com rapidez. A nova abordagem baseada em habilidades do Amazon SageMaker AI para personalização de modelos se encaixa perfeitamente nesse fluxo de trabalho. Em vez de lutar com infraestrutura ou interfaces rígidas, nossa equipe pode ajustar os modelos de personalidade por meio da linguagem natural diretamente nas ferramentas que já usamos. Para uma startup em que a velocidade e a eficiência de custos são tudo, isso é um divisor de águas: permite que nos concentremos em criar melhores experiências para nossos usuários, não no gerenciamento de pipelines de ML.”
Wink — Ethan Fan, Diretor de tecnologia
Robin AI
“Na Robin, estamos redefinindo o papel do setor jurídico nos negócios modernos e usando a IA para impulsionar melhores decisões, ações mais rápidas e crescimento sustentável. Para oferecer aos nossos clientes uma melhor tomada de decisão, é crucial que nossos modelos de IA correspondam à forma como os advogados redigem contratos, a partir do formato, tom e preferências específicos de cada advogado. Anteriormente, personalizar modelos com dados proprietários era um processo complicado e propenso a erros. Agora, com o novo recurso de personalização de modelos com tecnologia sem servidor no Amazon SageMaker AI, podemos experimentar rapidamente técnicas avançadas, como aprendizado por reforço com recompensas verificáveis, em apenas alguns dias. Além disso, estamos entusiasmados em experimentar o fluxo de trabalho guiado por agentes de IA para que possamos comparar e verificar nossas suposições para ajudar advogados de todo o mundo a tomar melhores decisões com mais rapidez.”
Diana Mincu, diretora de pesquisa, Robin AI
Recursos
Você encontrou o que estava procurando hoje?
Informe-nos para que possamos melhorar a qualidade do conteúdo em nossas páginas