什么是模型自定义？
当人工智能能够深入了解您的业务时，它的价值才能最大程度发挥。无论您是想提升人工智能应用程序的客户体验，还是构建能够为您的业务处理各类任务的智能代理，Amazon Nova 能为您提供相应的工具，以使模型适应您的要求。现在，您可以通过一套全面的自定义工具和功能，将您所在组织的数据与 Amazon Nova 的基础架构相结合——从使模型的响应符合您偏好的语气和行为，到根据您的独特工作流和业务知识对其进行训练。在模型训练的整个生命周期中，您拥有灵活的选项，能够构建出具有与您的业务相匹配的思维和行为模式的人工智能。
将 Amazon Nova 转变为您的业务专家
在 Amazon SageMaker AI 和 Amazon Bedrock 上自定义 Amazon Nova 模型
只需几分钟，即可使用您的专有数据进行自定义设置
从多种灵活的选项中进行选择，以根据您的业务需求自定义 Amazon Nova 模型。在整个产品生命周期内（包括预训练、有监督的微调以及调整环节），对 Nova Micro、Nova Lite 和 Nova Pro 进行自定义设置。可用技术包括持续预训练、有监督微调（SFT）、直接偏好优化（DPO）、近端策略优化以及知识蒸馏，并支持在 SFT、DPO 和蒸馏过程中选择参数高效和完整模型训练选项。 对于 Nova Canvas，可以通过全面的微调来进行自定义设置。
使用更小、更经济高效的模型
利用我们最强大的教师式模型 Nova Premier 创建功能强大、经济实惠且低延迟的 Nova Pro、Nova Lite 和 Nova Micro 版本。
以最新的企业数据作为支撑来阐述您的响应
通过使用检索增强生成（RAG）从您公司的数据源中获取信息，为 Nova 模型配备最新的专属信息。您可以通过 Amazon Bedrock 知识库或通过构建自定义多模态 RAG 系统来实现这一点。
扩展 Nova 模型的功能
通过在 Amazon Bedrock 上调用工具的方式，与外部工具和 API 进行交互。通过使用工具，Amazon Nova 能够执行任务、处理数据并提供更具动态性的响应。
SageMaker AI 中的 Amazon Nova 自定义
在模型训练的各个阶段选择各种全面的自定义技术
查看 Nova 自定义功能的实际运用
探索下方的互动演示体验
Service cards
使用案例
- 利用专门的编程语言来增强人工智能辅助的软件开发过程
- 根据客户的购买行为优化产品搜索排名
- 根据登录用户的反馈改进虚拟助手
- 利用恶意软件和威胁情报数据源训练模型，以提高检测能力。
- 根据用户互动情况提高查询的相关性和个性化程度
MIT
“Amazon Nova 的自定义能力极大地推动了我们在材料科学领域的研究进展，它使得那些需要深厚专业知识才能进行的实验也能够通过可接受提示的 LLM 来实现。通过采用有监督的微调技术，我们使我们的超材料设计 AGI 在材料设计方面的有效材料生成率从 2.7% 提高到了 97.5%，在重建任务方面的有效生成率从 19.3% 提高到了 98%。分析错误率最多降低了 95%，从而能够创建出一个专家型助手，该助手能够利用材料特性、图像以及可供人类和大型语言模型使用的结构化代码来生成和分析细胞型超材料设计。这使得研究人员能够更高效地利用时间，而这种自然语言界面也降低了其他人使用的门槛。受到这些变革性成果的鼓舞，我们正扩大使用 Nova 的范围，以在专业的科学领域推动人工智能的发展边界。”
Wojciech Matusik，麻省理工学院您的 Cadence Design Systems 教授
Cosine
“我们经过微调的 Nova Pro 模型（通过 SageMaker 训练作业进行训练）在 SWE-Lancer 基准测试中的表现优于我们目前向 AWS 上的企业客户提供的所有其他模型。 这一严格的基准将编码性能转化为实际的盈利潜力——即如果一个模型从事软件工程的自由职业或获取悬赏报酬的话，它能够获得的收益数额。再加上 Nova 行业领先的性价比，这种精度的提升使得在复杂的遗留代码库中处理复杂编码任务的回报率达到了前所未有的水平。我们期待着凭借这一经过微调的模型为我们的 AWS 客户提供服务，并通过与 Amazon Nova 在 AWS 上的深度合作，以更接近人类的基准水平，在 SWE-Lancer 项目中取得进展。”
Cosine 联合创始人 Yang Li
Volkswagen
“在探索如何自动评估品牌的一致性以及全球营销内容的适当本地化方式的过程中，我们尝试了“有监督的微调”（SFT）方法，以使 Nova Pro 与我们的营销专家知识相匹配。我们使模型识别品牌相关图像的能力提高了 15%（从 55% 提升至 70%），这表明其与 Volkswagen 的品牌准则的契合度更高了。我们现在期待着与 Amazon Nova 携手，进一步巩固这些成果。因为 Amazon Nova 能够借助生成式人工智能技术，帮助 Volkswagen Group 在全球各地的多元化汽车市场中实现高质量、符合品牌规范的内容创作扩展目标。”
Philip Trempler博士，Volkswagen Group Services 人工智能和云工程技术主管
Amazon Catalog System Services
“通过使用 PEFT 和全面微调，我们显著提高了产品列表验证的准确率——检测召回率提高了 18 个百分点，同时精度也有所提升。这些显著的准确度提升，再加上 Nova 的成本效益，能够彻底改变我们管理产品目录的方式。”
Umit Batur，Amazon Catalog System Services 的应用科学高级经理
Amazon Customer Service
“我们正在对 Amazon Nova 进行自定义，以将其用于构建一个由人工智能驱动的问题解决平台，旨在实现我们客户服务交互方式的自动化。如今，问题解决是一个包含两步的流程：首先进行意图检测，然后针对检测到的意图进行问题解决，这一过程涉及多轮工具调用以及响应生成。通过 SFT，我们定制的 Nova Micro 在高流量和低延迟意图检测方面表现优异，其域内准确率达到了 76.9%，在泛化测试中的准确率为 69.2%。在离线评估中，其性能分别比我们现有的基准测试结果高出 5.4%和 7.3%。在工具选择方面，我们的定制 Nova Lite 达到了 86.1% 的准确率，相比目前的基准版本，这一准确率实现了 4.8% 的绝对提升。我们期待着对这些模型进行 A/B 测试，并将其应用于实际生产流量的在线测试中。此外，我们还将继续朝着一个能够通过诸如持续预训练等额外方法处理大部分客户服务任务的统一多语言模型的方向发展。”
Amazon Customer Service 的应用科学家 Jing Huang
找到今天要查找的内容了吗？
请提供您的意见，以便我们改进网页内容的质量。