Personalización de modelos con Amazon SageMaker AI
Personalice los modelos con sus datos utilizando el conjunto más amplio de técnicas. Totalmente sin servidor, respaldado por la infraestructura líder en la que confía.
Por qué elegir SageMaker AI para la personalización de modelos
Amazon SageMaker AI permite a los desarrolladores de IA personalizar más de 20 modelos populares de peso abierto y de Amazon Nova mediante el refinamiento supervisado (SFT), la optimización de preferencias directas (DPO), el aprendizaje por refuerzo con recompensas verificables (RLVR) y el aprendizaje por refuerzo a partir de la retroalimentación de la IA (RLAIF).
El flujo de trabajo se realiza enteramente sin servidor: SageMaker gestiona el aprovisionamiento, el escalado y la optimización de los procesos.
Despliegue modelos personalizados en Amazon Bedrock para la inferencia sin servidor o en los puntos de enlace de SageMaker para la inferencia gestionada. Consulte la página de documentación para obtener la lista más reciente de modelos y técnicas compatibles
Beneficios
Personalización rápida de modelos con la máxima precisión
Complete el flujo de trabajo integral, desde la preparación de los datos hasta el despliegue, en días y no en meses. Comience con la interfaz de usuario guiada o un flujo de trabajo guiado por un agente de IA y, a continuación, automatice con el SDK de Python de SageMaker. Totalmente sin servidores: no hay infraestructura que aprovisionar ni capacidad que administrar.
Una amplia selección de técnicas de personalización en más de 20 modelos de peso abierto, todo ello a través de una experiencia sin servidor. Los modelos de peso abierto son aquellos en los que usted es propietario de los pesos: despliegue su modelo personalizado en Amazon Bedrock para la inferencia sin servidor, en los puntos de enlace de SageMaker para la inferencia gestionada o expórtelo a su propia infraestructura. Las habilidades de personalización de modelos son de código abierto en GitHub, por lo que los equipos pueden inspeccionarlas, bifurcarlas y adaptarlas para que se ajusten a sus flujos de trabajo.
Las métricas de entrenamiento y los resultados de las evaluaciones se rastrean y registran directamente en MLFlow en SageMaker AI, para que pueda supervisar cada experimento y comparar el rendimiento del modelo con total visibilidad.
Simplificación de la personalización de modelos
Capacidades integrales para personalizar los modelos en todo el flujo de trabajo
Preparación de datos
Al utilizar las habilidades de personalización de modelos, el agente de codificación genera código para dar formato a los datos según el modelo y la técnica de personalización seleccionados, valida la calidad de los datos e identifica las brechas. Esto reduce las semanas de curaduría manual de datos a solo unas horas. Cuando es necesaria una preparación de datos más amplia, SageMaker AI ofrece Data Wrangler para la transformación visual de datos con más de 300 transformaciones integradas, Ground Truth para el etiquetado de datos a escala y trabajos de procesamiento para flujos de trabajo de procesamiento de datos personalizados. Traiga sus propios datos o genere datos sintéticos (en versión preliminar) cuando los datos del mundo real sean limitados, confidenciales o difíciles de obtener. La IA de SageMaker puede generar ejemplos de entrenamiento sintético para tareas específicas que complementen sus conjuntos de datos existentes, lo que ayuda a superar la escasez de datos sin comprometer la calidad del modelo.
Técnicas de personalización avanzadas
SageMaker AI admite las técnicas de personalización de modelos más recientes, como el refinamiento supervisado (SFT), la optimización de preferencias directas (DPO) y el aprendizaje por refuerzo a partir de la retroalimentación de la IA (RLAIF) y las recompensas verificables (RLVR).
La IA de SageMaker admite el refinamiento supervisado (SFT) o la optimización de preferencias directas (DPO) cuando necesita cambiar el comportamiento del modelo, y avanza al aprendizaje por refuerzo (RLVR, RLAIF) cuando necesita optimizar para señales de recompensa específicas. Para un preentrenamiento continuo, aproveche trabajos de entrenamiento de SageMaker o SageMaker HyperPod para escalar en miles de aceleradores.
Personalización integral del modelo sin servidor
SageMaker AI selecciona y aprovisiona automáticamente los recursos de computación adecuados en función del modelo y el tamaño de los datos, todo ello sin necesidad de que seleccione y gestione las instancias.
Inferencia
Una vez que haya alcanzado los objetivos de precisión y rendimiento deseados, puede desplegar modelos en producción con unos pocos clics en los puntos de enlace de inferencia de SageMaker AI o Amazon Bedrock para la inferencia sin servidor
LLMOP
Puede registrar automáticamente todas las métricas críticas del experimento sin necesidad de aprovisionar un servidor de seguimiento ni modificar el código. La integración con MLFlow también proporciona visualizaciones ricas y una entrada a la interfaz de usuario de MLFlow para un análisis más detallado.
Interfaz fácil de usar
Utilice la interfaz de usuario guiada de SageMaker Studio para seleccionar un modelo, elegir una técnica, configurar el conjunto de datos, iniciar el entrenamiento sin servidor, supervisar las métricas en tiempo real y realizar el despliegue, todo en solo unos pocos clics. No se requiere agente ni código.
Desarrollo guiado por agentes
Describa su caso de uso y un agente de codificación de IA lo guiará a través de la transformación de datos, la selección de técnicas, la configuración de hiperparámetros, la evaluación y el despliegue. Las habilidades específicamente diseñadas de los agentes aportan experiencia especializada en técnicas de refinamiento, selección de modelos, APIs de IA de SageMaker y metodologías de evaluación a su agente de codificación de IA, lo que lo ayuda a desarrollar más rápido y con confianza. Las habilidades de los agentes son conjuntos de instrucciones personalizables y prediseñados que se adaptan a sus flujos de trabajo y estándares de gobierno existentes. Comience a usar SageMaker Studio JupyterLab con Kiro y las habilidades de agente preinstaladas o utilice las habilidades de agente con su IDE o agente de codificación preferido, incluidos Kiro IDE, Cursor, Claude Code y VS Code.
SDK de Python de SageMaker
Configure y lance trabajos de personalización de forma programática, defina criterios de evaluación y despliegue modelos. Control total sobre cada parámetro para los desarrolladores que prefieren flujos de trabajo que prioricen el código.
Clientes
Por qué nuestros clientes eligen Amazon SageMaker AI para la personalización de modelos
IA colineal
“En Collinear, creamos conjuntos de datos seleccionados y entornos de simulación para los laboratorios de inteligencia artificial más avanzados y las empresas de Fortune 500 con el fin de mejorar sus modelos. El refinamiento de los modelos de IA es fundamental para crear simulaciones de alta fidelidad, y solía requerir unir diferentes sistemas para el entrenamiento, la evaluación y la implementación. Ahora, con la nueva capacidad de personalización de modelos sin servidor de Amazon SageMaker AI, tenemos una forma unificada que nos permite reducir nuestros ciclos de experimentación de semanas a días. Estas herramientas integrales sin servidor nos ayudan a centrarnos en lo que importa: crear mejores datos de entrenamiento y simulaciones para nuestros clientes, no mantener la infraestructura ni hacer malabares con plataformas dispares”.
Soumyadeep Bakshi, cofundador de Colinear AI
Oleum
"En Oleum, estamos creando herramientas de inteligencia artificial que ayudan a las organizaciones a entender y confiar en sus datos. La nueva experiencia de IA agencial de Amazon SageMaker AI es exactamente el tipo de herramientas que necesitamos. Funciona como nuestro aliado para pensar, no solo para ejecutar tareas: recomienda técnicas, detecta las discrepancias en nuestros datos y nos permite crear cualquier flujo de trabajo que queramos, en lugar de obligarnos a seguir un proceso rígido. El hecho de que estas habilidades se conecten directamente a nuestro entorno de desarrollo de agencias existente significa que podemos experimentar con enfoques de refinamiento sin cambiar de contexto entre plataformas. Y con la nueva experiencia de chat integrada directamente en JupyterLab en SageMaker Studio, podemos pasar de una conversación a un cuaderno ejecutable y a un trabajo de entrenamiento, todo en un solo lugar. Es flexible, personalizable y está diseñado para el funcionamiento real de los equipos de aprendizaje automático modernos”.
Oleum, Alejandro Ballesteros, CTO
Wink
"En Wink, estamos creando gemelos digitales impulsados por inteligencia artificial que capturan los matices de las personalidades humanas reales y ayudan a los usuarios a vincularse genuinamente con alguien antes de reunirse en persona. Nuestro flujo de trabajo de desarrollo se ha desplazado por completo a experiencias basadas en agencias y peticiones: actuamos y enviamos con rapidez. El nuevo enfoque basado en habilidades de Amazon SageMaker AI para la personalización de modelos se adapta perfectamente a ese flujo de trabajo. En lugar de luchar con infraestructuras o interfaces rígidas, nuestro equipo puede refinar los modelos de personalidad a través del lenguaje natural desde las herramientas que ya utilizamos. Para una startup en la que la velocidad y la rentabilidad lo son todo, esto supone un punto de inflexión: nos permite centrarnos en crear mejores experiencias para nuestros usuarios, más que en gestionar las canalizaciones de aprendizaje automático”.
Wink, Ethan Fan, director de tecnología
IA de Robin
“En Robin, estamos redefiniendo el papel de lo legal en los negocios modernos y utilizando la IA para impulsar mejores decisiones, acciones más rápidas y un crecimiento sostenible. Para que nuestros clientes puedan tomar mejores decisiones, es crucial que nuestros modelos de IA coincidan con la forma en que los abogados redactan los contratos, desde el formato, el tono y las preferencias específicos de cada abogado. Anteriormente, la personalización de modelos con datos patentados era un proceso engorroso y propenso a errores. Ahora, con la nueva capacidad de personalización de modelos sin servidor de Amazon SageMaker AI, podemos experimentar rápidamente con técnicas avanzadas, como el aprendizaje por refuerzo, con recompensas verificables en solo unos días. Además, nos entusiasma probar el flujo de trabajo guiado por agentes de IA para poder comparar y verificar nuestras suposiciones y ayudar a los abogados de todo el mundo a tomar mejores decisiones con mayor rapidez”.
Diana Mincu, Directora de investigación de Robin AI
Recursos
¿Encontró lo que buscaba hoy?
Ayúdenos a mejorar la calidad del contenido de nuestras páginas compartiendo sus comentarios