Personnalisation de modèle avec Amazon SageMaker AI
Personnalisez les modèles avec vos données en utilisant le plus large éventail de techniques. Entièrement sans serveur, sur l’infrastructure à laquelle vous faites confiance.
Pourquoi choisir SageMaker AI pour la personnalisation des modèles
Amazon SageMaker AI permet aux développeurs d’IA de personnaliser plus de 20 modèles à poids ouverts populaires ainsi qu’Amazon Nova à l’aide du peaufinage supervisé (SFT), de l’optimisation directe des préférences (DPO), de l’apprentissage par renforcement avec récompenses vérifiables (RLVR) et de l’apprentissage par renforcement à partir du retour d’information de l’IA (RLAIF).
L’ensemble du processus est entièrement sans serveur : SageMaker se charge de la mise à disposition des ressources de calcul, de la mise à l’échelle et de l’optimisation.
Déployez des modèles personnalisés sur Amazon Bedrock pour l’inférence sans serveur ou sur les points de terminaison SageMaker pour l’inférence gérée. Consultez la page de documentation pour obtenir la liste actualisée des modèles et techniques pris en charge
Avantages
Personnalisation rapide des modèles avec une précision maximale
Réalisez l’ensemble du processus, de la préparation des données au déploiement, en quelques jours seulement, et non en plusieurs mois. Commencez par utiliser l’interface utilisateur guidée ou un flux de travail guidé par un agent d’IA, puis automatisez vos tâches à l’aide du kit SDK Python de SageMaker. Entièrement sans serveur : aucune infrastructure à provisionner, aucune capacité à gérer.
Une large gamme de techniques de personnalisation pour plus de 20 modèles à poids ouverts, le tout via une expérience sans serveur. Les modèles à poids ouverts vous permettent de conserver la propriété des poids : déployez votre modèle personnalisé sur Amazon Bedrock pour une inférence sans serveur, sur les points de terminaison SageMaker pour une inférence gérée, ou exportez-le vers votre propre infrastructure. Les compétences de personnalisation des modèles sont open source sur GitHub, ce qui permet aux équipes de les inspecter, de les modifier et de les adapter à leurs flux de travail.
Les métriques d’entraînement et les résultats d’évaluation sont suivis et enregistrés directement dans MLflow sur SageMaker AI, ce qui vous permet de surveiller chaque expérience et de comparer les performances des modèles en toute transparence.
Personnalisation simplifiée des modèles
Fonctionnalités complètes pour personnaliser les modèles tout au long du flux de travail de bout en bout
Préparation des données
Grâce à ses compétences en personnalisation de modèles, votre agent de codage génère du code pour mettre vos données en forme en fonction du modèle et de la technique de personnalisation que vous avez choisis, vérifie la qualité des données et identifie les lacunes. Cela réduit les semaines de conservation manuelle des données à quelques heures. Pour répondre à des besoins plus étendus en matière de préparation des données, SageMaker AI propose Data Wrangler pour la transformation visuelle des données avec plus de 300 transformations intégrées, Ground Truth pour l’étiquetage des données à grande échelle, ainsi que des tâches de traitement pour des flux de travail de traitement des données personnalisés. Apportez vos propres données ou générez des données synthétiques (en version préliminaire) lorsque les données réelles sont limitées, sensibles ou difficiles à obtenir. SageMaker AI est capable de générer des exemples d’entraînement synthétiques adaptés à des tâches spécifiques, qui viennent compléter vos jeux de données existants, vous aidant ainsi à pallier le manque de données sans compromettre la qualité du modèle.
Techniques de personnalisation avancées
SageMaker AI prend en charge les dernières techniques de personnalisation des modèles, notamment le peaufinage supervisé (SFT), l’optimisation directe des préférences (DPO), ainsi que l’apprentissage par renforcement à partir du retour d’information de l’IA (RLAIF) et des récompenses vérifiables (RLVR).
SageMaker AI prend en charge le peaufinage supervisé (SFT) ou l’optimisation directe des préférences (DPO) lorsque vous devez modifier le comportement du modèle, et passe à l’apprentissage par renforcement (RLVR, RLAIF) lorsque vous devez optimiser le modèle en fonction de signaux de récompense spécifiques. Pour poursuivre le pré-entraînement, utilisez les tâches d’entraînement SageMaker ou SageMaker HyperPod afin de mettre à l’échelle votre infrastructure sur des milliers d’accélérateurs.
Personnalisation de bout en bout des modèles sans serveur
SageMaker AI sélectionne et provisionne automatiquement les ressources de calcul appropriées en fonction du modèle et de la taille des données, sans que vous ayez à sélectionner et à gérer des instances.
Inférence
Une fois que vous avez atteint les objectifs de précision et de performance souhaités, vous pouvez déployer les modèles en production en quelques clics vers les points de terminaison d’inférence SageMaker AI ou Amazon Bedrock pour une inférence sans serveur
LLMOps
Vous pouvez journaliser automatiquement toutes les métriques d’expérience critiques sans avoir à provisionner un serveur de suivi ou à modifier le code. L’intégration avec MLflow fournit également des visualisations riches et un accès à l’interface utilisateur de MLflow pour une analyse plus approfondie.
Interface conviviale
Utilisez l’interface utilisateur guidée de SageMaker Studio pour sélectionner un modèle, choisir une technique, configurer votre jeu de données, lancer un entraînement sans serveur, surveiller les métriques en temps réel et déployer le modèle, le tout en quelques clics. Aucun agent ou code n’est requis.
Développement guidé par les agents
Décrivez votre cas d’utilisation et un agent de codage basé sur l’IA vous guidera tout au long des étapes suivantes : transformation des données, choix des techniques, configuration des hyperparamètres, évaluation et déploiement. Les compétences spécifiques de ces agents apportent à votre agent de codage IA une expertise spécialisée en matière de techniques de peaufinage, de sélection de modèles, d’API SageMaker AI et de méthodologies d’évaluation, vous permettant ainsi de développer plus rapidement et en toute confiance. Les compétences des agents sont des ensembles d’instructions prédéfinis et personnalisables qui s’adaptent à vos flux de travail et à vos normes de gouvernance existants. Démarrez dans SageMaker Studio JupyterLab avec Kiro et les compétences d’agent préinstallées ou utilisez les compétences des agents avec votre IDE ou votre agent de codage préféré, notamment Kiro IDE, Cursor, Claude Code et VS Code.
Kit SDK SageMaker pour Python
Configurez et lancez des tâches de personnalisation par programmation, définissez des critères d’évaluation et déployez des modèles. Contrôle total de tous les paramètres pour les développeurs qui préfèrent les flux de travail centrés sur le code.
Clients
Pourquoi nos clients choisissent Amazon SageMaker AI pour la personnalisation des modèles
Collinear AI
« Chez Collinear, nous créons des jeux de données et des environnements de simulation sélectionnés pour les laboratoires d’IA de pointe et les entreprises du Fortune 500 afin d’améliorer leurs modèles. Le peaufinage des modèles d’IA est essentiel pour créer des simulations haute fidélité. Auparavant, cela nécessitait de relier différents systèmes pour l’entraînement, l’évaluation et le déploiement. Désormais, grâce à la nouvelle fonctionnalité de personnalisation de modèles sans serveur d’Amazon SageMaker AI, nous disposons d’un moyen unifié qui nous permet de réduire nos cycles d’expérimentation de plusieurs semaines à quelques jours. Cet outil sans serveur de bout en bout nous aide à nous concentrer sur l’essentiel : créer de meilleures données d’entraînement et de meilleures simulations pour nos clients, plutôt que de maintenir une infrastructure ou de jongler avec des plateformes disparates. »
Soumyadeep Bakshi, cofondateur, Collinear AI
Oléum
« Chez Oleum, nous créons des outils d’IA qui aident les organisations à comprendre leurs données et à y faire confiance. La nouvelle expérience d’IA agentique d’Amazon SageMaker AI est exactement le type d’outil dont nous avons besoin. Il agit en tant que partenaire d’opinion, et pas seulement en tant qu’exécuteur de tâches : il recommande des techniques, détecte les incohérences dans nos données et nous permet de créer le flux de travail que nous voulons plutôt que de nous imposer un processus rigide. Le fait que ces compétences soient directement intégrées à notre environnement de développement d’agences existant signifie que nous pouvons expérimenter des approches de peaufinage sans changer de contexte entre les plateformes. Et grâce à la nouvelle fonctionnalité de chat intégrée directement à JupyterLab dans SageMaker Studio, nous pouvons passer d’une conversation à un bloc-notes exécutable, puis à une tâche d’entraînement, le tout au même endroit. C’est une solution flexible, personnalisable et conçue pour s’adapter au mode de fonctionnement réel des équipes de machine learning modernes. »
Oleum – Alejandro Ballesteros, CTO
Wink
« Chez Wink, nous développons des jumeaux numériques basés sur l’IA qui saisissent les nuances des personnalités humaines réelles, aidant ainsi les utilisateurs à identifier les liens authentiques avant de se rencontrer en personne. Notre processus de développement s’est entièrement orienté vers des expériences basées sur des agents et des invites : nous travaillons rapidement et livrons rapidement. La nouvelle approche de personnalisation des modèles par compétences proposée par Amazon SageMaker AI s’intègre parfaitement à ce flux de travail. Au lieu de se débattre avec des infrastructures ou des interfaces rigides, notre équipe peut optimiser les modèles de personnalité en utilisant le langage naturel, directement depuis les outils que nous utilisons déjà. Pour une start-up où la rapidité et la rentabilité sont primordiales, cela change la donne : cela nous permet de nous concentrer sur la création d’expériences de meilleure qualité pour nos utilisateurs, plutôt que sur la gestion des pipelines de machine learning. »
Wink – Ethan Fan, CTO
Robin AI
« Chez Robin, nous redéfinissons le rôle du juridique dans les entreprises modernes et utilisons l’IA pour prendre de meilleures décisions, agir plus rapidement et assurer une croissance durable. Pour aider nos clients à prendre de meilleures décisions, il est essentiel que nos modèles d’IA correspondent à la manière dont les avocats rédigent les contrats, qu’il s’agisse du format spécifique, du ton ou des préférences de chaque avocat. Auparavant, la personnalisation des modèles à l’aide de données exclusives était un processus fastidieux et sujet à des erreurs. Désormais, grâce à la nouvelle fonctionnalité de personnalisation des modèles sans serveur d’Amazon SageMaker AI, nous pouvons rapidement tester des techniques avancées telles que l’apprentissage par renforcement avec des récompenses vérifiables en quelques jours seulement. De plus, nous sommes impatients d’essayer le flux de travail guidé par un agent d’IA afin de pouvoir comparer et vérifier nos hypothèses et aider les avocats du monde entier à prendre de meilleures décisions plus rapidement. »
Diana Mincu, directrice de la recherche, Robin AI
Ressources
Avez-vous trouvé les informations que vous recherchiez ?
Faites-nous part de vos commentaires afin que nous puissions améliorer le contenu de nos pages