- Machine Learning›
- Amazon SageMaker AI›
- Personnalisation du modèle
Personnalisation de modèle avec Amazon SageMaker AI
Accélérez la personnalisation des modèles d’IA, qui passe de plusieurs mois à quelques jours, grâce à l’apprentissage par renforcement sans serveur et à un flux de travail guidé par un agent d’IA
Pourquoi choisir SageMaker AI pour la personnalisation des modèles
Amazon SageMaker AI permet aux développeurs d’IA de personnaliser des modèles populaires, tels qu’Amazon Nova, Llama, Qwen, DeepSeek et GPT-OSS, à l’aide des dernières techniques, comme l’apprentissage par renforcement, en quelques jours seulement. Vous pouvez utiliser l’interface conviviale ou le flux de travail guidé par un agent d’IA (en version préliminaire) pour spécifier rapidement vos exigences, générer des données de synthèse, analyser la qualité des données et évaluer la précision des modèles, le tout sans serveur, afin de pouvoir vous concentrer sur l’innovation plutôt que sur la gestion de l’infrastructure.
Avantages
Personnalisation rapide des modèles avec une précision maximale
Grâce à une interface conviviale ou à un flux de travail guidé par un agent d’IA (en version préliminaire), vous pouvez réaliser le flux de travail de personnalisation des modèles de bout en bout, de la préparation des données au déploiement, et accélérer le processus de plusieurs mois à quelques jours.
Accédez à l’ensemble le plus complet de techniques de personnalisation, notamment l’apprentissage par renforcement à partir du retour d’information de l’IA (RLAIF) et les récompenses vérifiables (RLVR), le paufinage supervisé (SFT) et l’optimisation directe des préférences (DPO), le tout via une interface conviviale avec des bonnes pratiques intégrées ou un flux de travail guidé par un agent d’IA (en version préliminaire).
Définissez rapidement votre cas d’utilisation de personnalisation de modèle en langage naturel et un agent d’IA créera une spécification pour vous. L’agent d’IA vous aide à générer des données de synthèse, à analyser la qualité des données, à optimiser les modèles et à évaluer leurs performances en fonction de votre cas d’utilisation et de vos principes de réussite.
Concentrez-vous sur le développement de modèles plutôt que sur la gestion de l’infrastructure grâce à une personnalisation de modèles de bout en bout entièrement sans serveur. SageMaker AI gère automatiquement l’approvisionnement, la mise à l’échelle et l’optimisation des ressources de calcul, vous évitant ainsi d’avoir à le faire.
Personnalisation simplifiée des modèles
Fonctionnalités complètes pour personnaliser les modèles tout au long du flux de travail de bout en bout
Génération de données de synthèse (en version préliminaire)
Si les données réelles sont limitées, vous pouvez facilement générer des données de synthèse. Si nécessaire, l’agent d’IA de SageMaker AI génère des jeux de données à partir d’échantillons de données et de documents contextuels dans le format et la structure requis pour la technique de personnalisation de modèle que vous avez sélectionnée.
Techniques de personnalisation avancées
SageMaker AI prend en charge les dernières techniques de personnalisation des modèles, notamment le peaufinage supervisé (SFT), l’optimisation directe des préférences (DPO), l’apprentissage par renforcement à partir du retour d’information de l’IA (RLAIF) et les récompenses vérifiables (RLVR).
Personnalisation de bout en bout des modèles sans serveur
SageMaker AI sélectionne et provisionne automatiquement les ressources de calcul appropriées en fonction du modèle et de la taille des données, sans que vous ayez à sélectionner et à gérer des instances.
Inférence
Une fois que vous avez atteint les objectifs de précision et de performance souhaités, vous pouvez déployer les modèles en production en quelques clics vers les points de terminaison d’inférence SageMaker AI ou Amazon Bedrock pour une inférence sans serveur
LLMOps
Vous pouvez journaliser automatiquement toutes les métriques d’expérience critiques sans avoir à provisionner un serveur de suivi ou à modifier le code. L’intégration avec MLflow fournit également des visualisations riches et un accès à l’interface utilisateur de MLflow pour une analyse plus approfondie.
Cas d’utilisation
Élaborez votre modèle d’IA de manière à ce qu’il reflète la voix et le ton de votre entreprise, en restant cohérent avec votre style dans chaque réponse.
Entraînez votre modèle d’IA à générer les réponses que les utilisateurs préfèrent. Recueillez des commentaires sur plusieurs options de réponse et optimisez le modèle afin de produire systématiquement les résultats les plus appréciés.
Transformez votre modèle d’IA en un expert de votre secteur. Alimentez-le en connaissances du secteur afin qu’il comprenne votre jargon, vos exigences et vos bonnes pratiques.
Interface conviviale
Pour plus de contrôle et de flexibilité, vous pouvez utiliser l’interface conviviale pour identifier les critères d’évaluation des modèles, sélectionner un modèle et une technique de personnalisation, déterminer les besoins en matière d’amélioration des données et déployer des modèles.
Flux de travail guidé par un agent d’IA (en version préliminaire)
Communiquez votre cas d’utilisation en langage naturel. Un agent d’IA génère une spécification qui comprend des directives relatives aux jeux de données, des critères d’évaluation, des métriques associées et une technique de personnalisation.
En cas de lacunes dans les jeux de données, l’agent d’IA aide à générer des données de synthèse. Vous pouvez approuver la spécification ou poursuivre la conversation avec l’agent afin d’affiner davantage la spécification du cas d’utilisation avant d’entraîner le modèle.
Clients
Pourquoi nos clients choisissent Amazon SageMaker AI pour la personnalisation des modèles
Collinear AI
« Chez Collinear, nous créons des jeux de données et des environnements de simulation sélectionnés pour les laboratoires d’IA de pointe et les entreprises du Fortune 500 afin d’améliorer leurs modèles. Le peaufinage des modèles d’IA est essentiel pour créer des simulations haute fidélité. Auparavant, cela nécessitait de relier différents systèmes pour l’entraînement, l’évaluation et le déploiement. Désormais, grâce à la nouvelle fonctionnalité de personnalisation de modèles sans serveur d’Amazon SageMaker AI, nous disposons d’un moyen unifié qui nous permet de réduire nos cycles d’expérimentation de plusieurs semaines à quelques jours. Cet outil sans serveur de bout en bout nous aide à nous concentrer sur l’essentiel : créer de meilleures données d’entraînement et de meilleures simulations pour nos clients, plutôt que de maintenir une infrastructure ou de jongler avec des plateformes disparates. »
Soumyadeep Bakshi, cofondateur, Collinear AI
Robin AI
« Chez Robin, nous redéfinissons le rôle du juridique dans les entreprises modernes et utilisons l’IA pour prendre de meilleures décisions, agir plus rapidement et assurer une croissance durable. Pour aider nos clients à prendre de meilleures décisions, il est essentiel que nos modèles d’IA correspondent à la manière dont les avocats rédigent les contrats, qu’il s’agisse du format spécifique, du ton ou des préférences de chaque avocat. Auparavant, la personnalisation des modèles à l’aide de données exclusives était un processus fastidieux et sujet à des erreurs. Désormais, grâce à la nouvelle fonctionnalité de personnalisation des modèles sans serveur d’Amazon SageMaker AI, nous pouvons rapidement tester des techniques avancées telles que l’apprentissage par renforcement avec des récompenses vérifiables en quelques jours seulement. De plus, nous sommes impatients d’essayer le flux de travail guidé par un agent d’IA afin de pouvoir comparer et vérifier nos hypothèses et aider les avocats du monde entier à prendre de meilleures décisions plus rapidement. »
Diana Mincu, directrice de la recherche, Robin AI
Ressources
Avez-vous trouvé les informations que vous recherchiez ?
Faites-nous part de vos commentaires afin que nous puissions améliorer le contenu de nos pages