Modellanpassung mit Amazon SageMaker AI

Amazon SageMaker AI ermöglicht KI-Entwicklern die Anpassung von über 20 beliebten Open-Weight-Modellen und Amazon Nova mithilfe von Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO), Reinforcement Learning with verifiable Rewards (RLVR) und Reinforcement Learning von AI Feedback (RLAIF).  

Der gesamte Workflow ist vollständig Serverless – SageMaker kümmert sich um die Bereitstellung, Skalierung und Optimierung der Rechenleistung. 

Stellen Sie benutzerdefinierte Modelle auf Amazon Bedrock für Serverless-Inferenz oder SageMaker-Endpunkte für verwaltete Inferenz bereit. Auf der Dokumentationsseite finden Sie die neueste Liste der unterstützten Modelle und Techniken. 

Verwenden Sie die geführte Benutzeroberfläche in SageMaker Studio, um ein Modell auszuwählen, eine Technik auszuwählen, Ihren Datensatz zu konfigurieren, Serverless-Training zu starten und Live-Metriken zu überwachen und bereitzustellen – alles mit nur wenigen Klicks. Kein Agent oder Code erforderlich. 

Beschreiben Sie Ihren Anwendungsfall und ein KI-Programmieragent führt Sie durch die Datentransformation, Technikauswahl, Hyperparameterkonfiguration, Bewertung und Bereitstellung. Speziell entwickelte Agentenfähigkeiten bieten Ihrem KI-Programmieragenten Fachwissen in den Bereichen Feinabstimmungstechniken, Modellauswahl, SageMaker-KI-APIs und Bewertungsmethoden, sodass Sie sich schneller und sicherer entwickeln können. Bei den Fähigkeiten von Agenten handelt es sich um vorgefertigte, anpassbare Befehlssätze, die zu Ihren bestehenden Workflows und Unternehmensstandards passen. Beginnen Sie in SageMaker Studio JupyterLab mit vorinstallierten Kiro- und Agentenfähigkeiten oder verwenden Sie Agentenfähigkeiten mit Ihrer bevorzugten IDE oder Ihrem bevorzugten Programmieragenten, einschließlich Kiro IDE, Cursor, Claude Code und VS Code. 

„Bei Collinear erstellen wir kuratierte Datensätze und Simulationsumgebungen, mit denen zukunftsorientierte KI-Labore und Fortune-500-Unternehmen ihre Modelle verbessern können. Die Feinabstimmung von KI-Modellen ist für die Erstellung von extrem genauen Simulationen von entscheidender Bedeutung. Früher musste hierfür ein Mix aus verschiedenen Systemen für Training, Bewertung und Bereitstellung genutzt werden. Mit der neuen Funktion zur serverlosen Modellanpassung von Amazon SageMaker AI haben wir jetzt eine einheitliche Methode, die es uns ermöglicht, unsere Testzyklen von Wochen auf Tage zu verkürzen. Diese umfassenden serverlosen Tools helfen uns, uns auf das Wesentliche zu konzentrieren: bessere Trainingsdaten und Simulationen für unsere Kunden zu entwickeln, anstatt die Infrastruktur zu warten oder mit unterschiedlichen Plattformen zu jonglieren.“

Soumyadeep Bakshi – Mitbegründer von Collinear AI

„Bei Oleum entwickeln wir KI-Tools, die Unternehmen helfen, ihre Daten zu verstehen und ihnen zu vertrauen. Das neue agentenbasierte KI-Erlebnis von Amazon SageMaker AI bietet genau die Art von Tools, die wir benötigen. Es führt nicht nur Aufgaben aus, sondern denkt mit – es empfiehlt Techniken, erkennt Unstimmigkeiten in unseren Daten und ermöglicht es uns, jeden beliebigen Workflow zu erstellen, anstatt uns durch einen starren Prozess zu zwingen. Die Tatsache, dass diese Fähigkeiten direkt in unsere bestehende agentenbasierte Entwicklungsumgebung integriert werden, bedeutet, dass wir mit Feinabstimmungsansätzen experimentieren können, ohne den Kontext zwischen den Plattformen wechseln zu müssen. Und mit dem neuen Chat-Erlebnis, das direkt in JupyterLab in SageMaker Studio integriert ist, können wir von der Konversation über ein lauffähiges Notizbuch bis hin zu Trainingsaufträgen an einem Ort gehen. Das ist flexibel, anpassbar und darauf zugeschnitten, wie moderne ML-Teams tatsächlich arbeiten.“      

Oleum – Alejandro Ballesteros, CTO

„Bei Wink bauen wir KI-gestützte digitale Zwillinge, die die Nuancen echter menschlicher Persönlichkeiten erfassen und Benutzern helfen, nach echten Verbindungen zu suchen, bevor sie sich persönlich treffen. Unser Entwicklungsworkflow hat sich vollständig auf agentenbasierte, promptgesteuerte Erlebnisse verlagert – wir arbeiten schnell und liefern schnell. Der neue kompetenzbasierte Ansatz von Amazon SageMaker AI zur Modellanpassung passt perfekt in diesen Workflow. Anstatt sich mit der Infrastruktur oder starren Benutzeroberflächen auseinanderzusetzen, kann unser Team Persönlichkeitsmodelle mithilfe natürlicher Sprache direkt in den Tools, die wir bereits verwenden, optimieren. Für ein Startup, bei dem Geschwindigkeit und Kosteneffizienz von entscheidender Bedeutung sind, ist dies ein entscheidender Faktor – so können wir uns darauf konzentrieren, bessere Erlebnisse für unsere Nutzer zu schaffen, anstatt ML-Pipelines zu verwalten.“      

Wink – Ethan Fan, CTO

„Bei Robin definieren wir die Rolle der Rechtsabteilung in der modernen Wirtschaft neu und nutzen KI, um bessere Entscheidungen, schnellere Maßnahmen und nachhaltiges Wachstum zu fördern. Damit wir unseren Mandanten eine bessere Entscheidungsfindung ermöglichen können, müssen unsere KI-Modelle Verträge auf die gleiche Art und Weise wie Anwälte verfassen – vom spezifischen Format über den Tonfall bis hin zu den Präferenzen der einzelnen Anwälte. Früher war das Anpassen von Modellen mithilfe von geschützten Daten ein umständlicher und fehleranfälliger Prozess. Dank der neuen Funktion zur serverlosen Modellanpassung in Amazon SageMaker AI können wir jetzt innerhalb weniger Tage mit fortgeschrittenen Techniken wie Reinforcement Learning mit verifizierbaren Belohnungen experimentieren. Darüber hinaus freuen wir uns darauf, den von KI-Agenten gestützten Workflow auszuprobieren, damit wir unsere Annahmen vergleichen und überprüfen können, um Anwälten auf der ganzen Welt zu helfen, schneller bessere Entscheidungen zu treffen.“

Diana Mincu – Director of Research bei Robin AI