Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menyesuaikan model dengan Amazon AI SageMaker

Kustomisasi model SageMaker AI Amazon adalah kemampuan yang mengubah proses penyesuaian model AI yang kompleks dan memakan waktu secara tradisional dari upaya selama berbulan-bulan menjadi alur kerja yang efisien yang dapat diselesaikan dalam beberapa hari. Fitur ini mengatasi tantangan kritis yang dihadapi oleh pengembang AI yang perlu menyesuaikan model fondasi dengan data eksklusif untuk menciptakan pengalaman pelanggan yang sangat berbeda. Dokumentasi kustomisasi terperinci, termasuk step-by-step panduan dan opsi konfigurasi lanjutan, disediakan dalam panduan SageMaker AI ini. Untuk gambaran singkat tentang kustomisasi model Nova, lihat Menyesuaikan dan menyempurnakan SageMaker di Panduan Pengguna Amazon Nova.

Kemampuan ini mencakup antarmuka pengguna terpandu baru yang memahami persyaratan bahasa alami, dengan serangkaian teknik penyesuaian model canggih yang komprehensif, semuanya didukung oleh infrastruktur tanpa server yang menghilangkan overhead operasional pengelolaan sumber daya komputasi. Baik Anda sedang membangun aplikasi penelitian hukum, meningkatkan chatbot layanan pelanggan, atau mengembangkan agen AI khusus domain, fitur ini mempercepat jalur Anda dari penyebaran produksi. proof-of-concept

Fitur dalam Kustomisasi Model yang didukung oleh Amazon Bedrock Evaluations dapat mengirimkan data dengan aman Wilayah AWS di seluruh geografi Anda untuk diproses. Untuk informasi selengkapnya, akses dokumentasi Amazon Bedrock Evaluations.

Konsep utama

Pelatihan tanpa server

Infrastruktur komputasi yang dikelola sepenuhnya yang mengabstraksi semua kompleksitas infrastruktur, memungkinkan Anda untuk fokus murni pada pengembangan model. Ini termasuk penyediaan otomatis instans GPU (P5, P4de, P4d, G5) berdasarkan ukuran model dan persyaratan pelatihan, resep pelatihan yang telah dioptimalkan sebelumnya yang menggabungkan praktik terbaik untuk setiap teknik penyesuaian, pemantauan waktu nyata dengan metrik langsung dan log yang dapat diakses melalui UI, dan pembersihan sumber daya secara otomatis setelah pelatihan selesai untuk mengoptimalkan biaya.

Teknik kustomisasi model

Kumpulan metode lanjutan yang komprehensif termasuk penyetelan halus yang diawasi (SFT), optimasi preferensi langsung (DPO), pembelajaran penguatan dengan imbalan yang dapat diverifikasi (RLVR), dan pembelajaran penguatan dengan umpan balik AI (RLAIF).

Model kustom

Versi khusus dari model pondasi dasar yang telah disesuaikan dengan kasus penggunaan tertentu dengan melatihnya pada data Anda sendiri, menghasilkan model AI yang mempertahankan kemampuan umum model pondasi asli sambil menambahkan pengetahuan, terminologi, gaya, atau perilaku khusus domain yang disesuaikan dengan kebutuhan Anda.

Aset kustomisasi model AI

Sumber daya dan artefak yang digunakan untuk melatih, menyempurnakan, dan mengevaluasi model kustom selama proses kustomisasi model. Aset ini termasuk kumpulan data , yang merupakan kumpulan contoh pelatihan (pasangan prompt respons, teks khusus domain, atau data berlabel) yang digunakan untuk menyempurnakan model dasar untuk mempelajari perilaku, pengetahuan, atau gaya tertentu, dan evaluator, yang merupakan mekanisme untuk menilai dan meningkatkan kinerja model melalui fungsi hadiah (logika berbasis kode yang menilai output model berdasarkan kriteria tertentu, digunakan dalam pelatihan RLVR dan evaluasi pencetak gol khusus) atau petunjuk hadiah ( instruksi bahasa alami yang memandu LLM untuk menilai kualitas respons model, yang digunakan dalam pelatihan dan evaluasi RLAIF). LLM-as-a-judge

Grup paket model

Kontainer koleksi yang melacak semua model yang dicatat dari pekerjaan pelatihan, menyediakan lokasi terpusat untuk versi model dan garis keturunannya.

Model yang dicatat

Output yang dibuat oleh SageMaker AI saat menjalankan pekerjaan pelatihan tanpa server. Ini bisa berupa model yang disetel dengan baik (pekerjaan yang berhasil), pos pemeriksaan (pekerjaan gagal dengan pos pemeriksaan), atau metadata terkait (pekerjaan gagal tanpa pos pemeriksaan).

Model terdaftar

Model log yang telah ditandai untuk tujuan pelacakan dan tata kelola formal, memungkinkan manajemen garis keturunan dan siklus hidup penuh.

Silsilah

Hubungan yang ditangkap secara otomatis antara pekerjaan pelatihan, kumpulan data input, model keluaran, pekerjaan evaluasi, dan penerapan di seluruh AI SageMaker dan Amazon Bedrock.

Berbagi lintas akun

Kemampuan untuk berbagi model, kumpulan data, dan evaluator di seluruh AWS akun menggunakan AWS Resource Access Manager (RAM) sambil mempertahankan visibilitas garis keturunan yang lengkap.