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 de modèles avec Amazon AI SageMaker

La personnalisation des modèles d' SageMaker IA d'Amazon est une fonctionnalité qui transforme le processus traditionnellement complexe et fastidieux de personnalisation des modèles d'IA en un flux de travail rationalisé pouvant être réalisé en quelques jours. Cette fonctionnalité répond au défi critique auquel sont confrontés les développeurs d'IA qui doivent personnaliser les modèles de base à l'aide de données propriétaires afin de créer des expériences client hautement différenciées. Une documentation de personnalisation détaillée, y compris step-by-step des guides et des options de configuration avancées, est fournie dans ce guide sur l' SageMaker IA. Pour un bref aperçu de la personnalisation des modèles Nova, consultez la section Personnaliser et peaufiner avec SageMaker dans le guide de l'utilisateur Amazon Nova.

Cette fonctionnalité inclut une nouvelle interface utilisateur guidée qui comprend les exigences du langage naturel, ainsi qu'une suite complète de techniques avancées de personnalisation des modèles, le tout alimenté par une infrastructure sans serveur qui élimine les frais opérationnels liés à la gestion des ressources informatiques. Que vous développiez des applications de recherche juridique, que vous amélioriez les chatbots du service client ou que vous développiez des agents d'intelligence artificielle spécifiques à un domaine, cette fonctionnalité accélère votre passage proof-of-concept au déploiement en production.

Les fonctionnalités de personnalisation des modèles optimisées par Amazon Bedrock Evaluations peuvent transmettre des données en toute sécurité Régions AWS au sein de votre zone géographique à des fins de traitement. Pour plus d'informations, consultez la documentation d'Amazon Bedrock Evaluations.

Concepts clés

Formation sans serveur

Une infrastructure informatique entièrement gérée qui élimine toute complexité de l'infrastructure, vous permettant de vous concentrer uniquement sur le développement de modèles. Cela inclut le provisionnement automatique des instances de GPU (P5, P4de, P4d, G5) en fonction de la taille du modèle et des exigences de formation, des recettes de formation préoptimisées intégrant les meilleures pratiques pour chaque technique de personnalisation, une surveillance en temps réel avec des métriques en temps réel et des journaux accessibles via l'interface utilisateur, et le nettoyage automatique des ressources à la fin de la formation afin d'optimiser les coûts.

Techniques de personnalisation des modèles

Ensemble complet de méthodes avancées, notamment le réglage fin supervisé (SFT), l'optimisation directe des préférences (DPO), l'apprentissage par renforcement avec récompenses vérifiables (RLVR) et l'apprentissage par renforcement avec feedback basé sur l'IA (RLAIF).

Modèle personnalisé

Version spécialisée d'un modèle de base qui a été adaptée à un cas d'utilisation spécifique en l'entraînant sur vos propres données, ce qui a permis d'obtenir un modèle d'IA qui conserve les fonctionnalités générales du modèle de base d'origine tout en ajoutant des connaissances, une terminologie, un style ou un comportement spécifiques au domaine, adaptés à vos besoins.

Ressources de personnalisation des modèles d'IA

Ressources et artefacts utilisés pour entraîner, affiner et évaluer des modèles personnalisés au cours du processus de personnalisation des modèles. Ces actifs incluent des ensembles de données, qui sont des collections d'exemples d'entraînement (paires prompte-réponse, texte spécifique à un domaine ou données étiquetées) utilisés pour affiner un modèle de base afin d'apprendre des comportements, des connaissances ou des styles spécifiques, et des évaluateurs, qui sont des mécanismes permettant d'évaluer et d'améliorer les performances du modèle par le biais de fonctions de récompense (logique basée sur le code qui note les résultats du modèle en fonction de critères spécifiques, utilisée dans la formation RLVR et l'évaluation personnalisée des scores) ou des invites de récompense ( instructions en langage naturel qui guident un LLM pour évaluer la qualité des réponses du modèle, utilisées dans le cadre de la formation et LLM-as-a-judge de l'évaluation du RLAIF).

Groupe de packages modèles

Un conteneur de collecte qui permet de suivre tous les modèles enregistrés lors des tâches de formation, fournissant un emplacement centralisé pour les versions des modèles et leur lignée.

Modèle enregistré

Résultat créé par l' SageMaker IA lors de l'exécution de tâches de formation sans serveur. Il peut s'agir d'un modèle affiné (tâche réussie), d'un point de contrôle (tâche échouée avec point de contrôle) ou de métadonnées associées (tâche échouée sans point de contrôle).

Modèle enregistré

Un modèle enregistré qui a été marqué à des fins formelles de suivi et de gouvernance, permettant une gestion complète du lignage et du cycle de vie.

Lignée

Les relations capturées automatiquement entre les tâches de formation, les ensembles de données d'entrée, les modèles de sortie, les tâches d'évaluation et les déploiements sur SageMaker AI et Amazon Bedrock.

Partage entre comptes

Possibilité de partager des modèles, des ensembles de données et des évaluateurs entre AWS comptes à l'aide de AWS Resource Access Manager (RAM) tout en conservant une visibilité complète du lignage.