Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Personalizzazione dei modelli con Amazon SageMaker AI
La personalizzazione dei modelli di SageMaker intelligenza artificiale di Amazon è una funzionalità che trasforma il processo tradizionalmente complesso e dispendioso in termini di tempo di personalizzazione dei modelli di intelligenza artificiale da un'attività lunga mesi a un flusso di lavoro semplificato che può essere completato in pochi giorni. Questa funzionalità affronta la sfida critica affrontata dagli sviluppatori di intelligenza artificiale che devono personalizzare i modelli di base con dati proprietari per creare esperienze clienti altamente differenziate. La documentazione dettagliata sulla personalizzazione, incluse step-by-step guide e opzioni di configurazione avanzate, è fornita in questa SageMaker guida sull'intelligenza artificiale. Per una breve panoramica sulla personalizzazione del modello Nova, consulta Personalizza e ottimizza con SageMaker nella Amazon Nova User Guide.
La funzionalità include una nuova interfaccia utente guidata che comprende i requisiti del linguaggio naturale, con una suite completa di tecniche avanzate di personalizzazione dei modelli, il tutto basato su un'infrastruttura serverless che elimina il sovraccarico operativo della gestione delle risorse di calcolo. Che tu stia sviluppando applicazioni di ricerca legale, migliorando i chatbot del servizio clienti o sviluppando agenti di intelligenza artificiale specifici del dominio, questa funzionalità accelera il percorso dall'implementazione in produzione. proof-of-concept
Le funzionalità di Model Customization offerte da Amazon Bedrock Evaluations possono trasmettere in modo sicuro i dati Regioni AWS all'interno della tua area geografica per l'elaborazione. Per ulteriori informazioni, accedi alla documentazione di Amazon Bedrock Evaluations.
Concetti chiave
Formazione senza server
Un'infrastruttura di elaborazione completamente gestita che elimina tutta la complessità dell'infrastruttura, consentendoti di concentrarti esclusivamente sullo sviluppo del modello. Ciò include il provisioning automatico delle istanze GPU (P5, P4de, P4d, G5) in base alle dimensioni del modello e ai requisiti di formazione, ricette di formazione preottimizzate che incorporano le migliori pratiche per ogni tecnica di personalizzazione, il monitoraggio in tempo reale con metriche e log in tempo reale accessibili tramite l'interfaccia utente e la pulizia automatica delle risorse dopo il completamento della formazione per ottimizzare i costi.
Tecniche di personalizzazione dei modelli
Set completo di metodi avanzati tra cui la messa a punto supervisionata (SFT), l'ottimizzazione delle preferenze dirette (DPO), l'apprendimento per rinforzo con ricompense verificabili (RLVR) e l'apprendimento per rinforzo con feedback AI (RLAIF).
Modello personalizzato
Una versione specializzata di un modello di base che è stato adattato a un caso d'uso specifico addestrandolo sui dati dell'utente. Il risultato è un modello di intelligenza artificiale che mantiene le funzionalità generali del modello di base originale aggiungendo conoscenze, terminologia, stile o comportamento specifici del dominio e adattati alle vostre esigenze.
Risorse per la personalizzazione dei modelli di intelligenza artificiale
Risorse e artefatti utilizzati per addestrare, perfezionare e valutare i modelli personalizzati durante il processo di personalizzazione dei modelli. Queste risorse includono set di dati, che sono raccolte di esempi di formazione (coppie di risposta rapida, testo specifico del dominio o dati etichettati) utilizzati per mettere a punto un modello di base per apprendere comportamenti, conoscenze o stili specifici, e valutatori, che sono meccanismi per valutare e migliorare le prestazioni del modello attraverso funzioni di ricompensa (logica basata sul codice che assegna un punteggio ai risultati del modello in base a criteri specifici, utilizzati nella formazione RLVR e nella valutazione dei punteggi personalizzati) oppure richieste di ricompensa ( istruzioni in linguaggio naturale che guidano un LLM a giudicare la qualità delle risposte modello, utilizzate nella formazione e nella LLM-as-a-judge valutazione RLAIF).
Gruppo di pacchetti modello
Un contenitore di raccolta che tiene traccia di tutti i modelli registrati durante i processi di formazione, fornendo una posizione centralizzata per le versioni dei modelli e la loro derivazione.
Modello registrato
L'output creato dall' SageMaker intelligenza artificiale durante l'esecuzione di lavori di formazione senza server. Può trattarsi di un modello perfezionato (processo riuscito), di un checkpoint (processo fallito con checkpoint) o di metadati associati (processo fallito senza checkpoint).
Modello registrato
Un modello registrato che è stato contrassegnato per scopi formali di tracciamento e governance, che consente la gestione completa del lignaggio e del ciclo di vita.
Lineaggio
Le relazioni acquisite automaticamente tra lavori di formazione, set di dati di input, modelli di output, lavori di valutazione e implementazioni su AI SageMaker e Amazon Bedrock.
Condivisione tra account
La possibilità di condividere modelli, set di dati e valutatori tra AWS account utilizzando AWS Resource Access Manager (RAM) mantenendo al contempo la visibilità completa del lignaggio.
