Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Personnalisation des modèles Amazon Nova sur l'IA SageMaker
Note
Cette documentation concerne la version 1 d'Amazon Nova. Amazon Nova 2 est désormais disponible avec de nouveaux modèles et des fonctionnalités améliorées. Pour plus d'informations sur la personnalisation d'Amazon Nova 2, consultez la page Personnalisation des modèles Amazon Nova 2.
Vous pouvez personnaliser les modèles Amazon Nova, y compris les modèles Amazon Nova 2.0 améliorés, à l'aide de recettes et les entraîner SageMaker. Ces recettes prennent en charge des techniques telles que le réglage fin supervisé (SFT), l'optimisation directe des préférences (DPO) et le réglage fin du renforcement (RFT), avec des options d'adaptation de rang complet et de rang inférieur (LoRa).
Le flux end-to-end de travail de personnalisation implique des étapes telles que la formation des modèles, l'évaluation des modèles et le déploiement à des fins d'inférence. Cette approche de personnalisation des modèles SageMaker offre une flexibilité et un contrôle accrus pour affiner les modèles Amazon Nova pris en charge, optimiser les hyperparamètres avec précision et mettre en œuvre des techniques telles que le réglage fin efficace des paramètres LoRa (PEFT), le SFT complet, le DPO, le RFT, la pré-formation continue (CPT), l'optimisation des politiques proximales (PPO), etc.
SageMaker propose deux environnements pour personnaliser les modèles Amazon Nova.
-
SageMaker training jobs fournit un environnement entièrement géré pour personnaliser les modèles Amazon Nova dans lesquels vous n'avez pas besoin de créer ou de gérer des clusters. Le service gère automatiquement le provisionnement, le dimensionnement et la gestion des ressources de l’infrastructure, ce qui vous permet de vous concentrer uniquement sur la configuration de vos paramètres d’entraînement et la soumission de votre travail. Vous pouvez personnaliser les modèles Nova lors de tâches d' SageMaker entraînement à l'aide de techniques telles que le réglage fin efficace des paramètres (PEFT), le réglage précis du classement complet, l'optimisation directe des préférences (DPO) et le réglage fin du renforcement (RFT). Pour de plus amples informations, veuillez consulter Personnalisation d'Amazon Nova sur SageMaker Training Jobs.
Note
Si vous fournissez une clé KMS à votre tâche de formation à la personnalisation du modèle Amazon Nova pour le chiffrement dans le compartiment de sortie S3 appartenant à Amazon :
-
Vous devez fournir la même clé KMS lorsque vous appelez des tâches de formation itératives ultérieures ou lorsque vous appelez l'CreateCustomModelAPI Amazon Bedrock en utilisant le modèle chiffré.
-
L'identité qui appelle l'
CreateTrainingJobAPI (plutôt que le rôle d'exécution) doit disposer des autorisations nécessaires pourCreateGrant,RetireGrantEncrypt, etGenerateDataKeytelles que définies dans la politique des clés KMS.
-
-
SageMaker HyperPodpropose un environnement spécialisé pour former les modèles Amazon Nova en vous demandant de créer et de gérer des clusters EKS avec des groupes d'instances restreints (RIGs). Cet environnement vous permet de configurer votre environnement de formation avec des instances GPU spécialisées et un stockage Amazon FSx for Lustre intégré, ce qui le rend particulièrement adapté aux scénarios de formation distribuée avancés et au développement continu de modèles. Pour de plus amples informations, veuillez consulter Personnalisation d'Amazon Nova sur SageMaker HyperPod.
Dans ce chapitre
