La personalizzazione dei modelli serverless di Amazon SageMaker AI supporta ora il fine-tuning completo
La personalizzazione dei modelli serverless di Amazon SageMaker AI supporta ora il fine-tuning completo per oltre 25 modelli open source. Questi includono modelli popolari delle famiglie di modelli gpt-oss, Gemma, Llama, Nemotron e Qwen. Oltre ai metodi di efficienza parametrica come LoRA, che aggiornano un piccolo sottoinsieme di pesi del modello, è ora possibile aggiornare tutti i parametri del modello per un adattamento più profondo quando il caso d'uso lo richiede.
Il fine-tuning completo consente al modello di apprendere in modo più approfondito schemi, terminologia e struttura delle attività specifici del dominio. Ciò risulta particolarmente utile quando occorre che il modello acquisisca funzionalità che vanno oltre i regolamenti di stile superficiali, come l'apprendimento di schemi di ragionamento specializzati, l'adozione di formati di output complessi o l'internalizzazione della conoscenza del dominio da grandi set di dati proprietari. Con la personalizzazione dei modelli serverless, SageMaker gestisce tutto il provisioning dell'infrastruttura e l'orchestrazione dell'addestramento, consentendo di eseguire job di fine-tuning completo senza dover effettuare il provisioning o la gestione dell'infrastruttura, pagando esclusivamente per ciò che si utilizza.
Il fine-tuning completo serverless su SageMaker è disponibile nelle seguenti regioni: Stati Uniti orientali (Virginia settentrionale), Stati Uniti occidentali (Oregon), Asia-Pacifico (Tokyo) ed Europa (Irlanda). Per iniziare, vai alla pagina JumpStart e Modelli in Amazon SageMaker Studio per avviare un job di personalizzazione, oppure utilizza l'SDK Python di SageMaker. Per ulteriori informazioni e per consultare l'elenco dei modelli supportati, fare riferimento alla documentazione sulla personalizzazione dei modelli di Amazon SageMaker AI.