Amazon SageMaker AI

Amazon SageMaker AI를 사용한 모델 사용자 정의

서버리스 강화 학습 및 AI 에이전트 안내 워크플로를 통해 AI 모델 사용자 정의를 몇 달에서 며칠로 가속화하세요

모델 사용자 정의에 SageMaker AI를 사용하는 이유

Amazon SageMaker AI는 AI 개발자가 Amazon Nova, Llama, Qwen, DeepSeek 및 GPT-OSS와 같은 인기 모델을 강화 학습과 같은 최신 기술로 며칠 만에 사용자 정의할 수 있도록 지원합니다. 사용하기 쉬운 인터페이스 또는 AI 에이전트 안내 워크플로(미리 보기)를 사용하여 요구 사항을 신속하게 지정하고, 합성 데이터를 생성하고, 데이터 품질을 분석하고, 정확성을 위해 모델을 평가할 수 있습니다. 이 모든 것이 완전히 서버리스 방식으로 이루어지므로 인프라 관리가 아닌 혁신에 집중할 수 있습니다.

장점

최대 정확도로 모델 사용자 정의를 빠르게 진행

사용하기 쉬운 인터페이스 또는 AI 에이전트 안내 워크플로(미리 보기)를 통해 데이터 준비부터 배포까지 엔드-투-엔드 모델 사용자 정의 워크플로를 완료하고 프로세스를 몇 달에서 며칠로 가속화할 수 있습니다.

AI 피드백(RLAIF)을 통한 강화 학습 및 검증 가능한 보상(RLVR), 지도 미세 조정(SFT), 직접 선호도 최적화(DPO)를 포함한 가장 광범위한 사용자 정의 기술 세트에 액세스할 수 있습니다. 이 모든 것이 내장된 모범 사례를 갖춘 사용하기 쉬운 인터페이스 또는 AI 에이전트 안내 워크플로(미리 보기)를 통해 제공됩니다.

자연어로 모델 사용자 정의 사용 사례를 신속하게 정의하면 AI 에이전트가 사용자를 위한 사양을 구축합니다. AI 에이전트는 사용자의 사용 사례 및 성공 원칙을 기반으로 합성 데이터 생성, 데이터 품질 분석, 모델 미세 조정 및 성능 평가를 지원합니다.

완전히 서버리스 방식인 엔드-투-엔드 모델 사용자 정의를 통해 인프라 관리 대신 모델 개발에 집중하세요. SageMaker AI는 사용자가 할 필요 없이 컴퓨팅 프로비저닝, 확장 및 최적화를 자동으로 처리합니다.

간편해진 모델 사용자 정의

엔드-투-엔드 워크플로에서 모델을 사용자 정의하는 포괄적인 기능

합성 데이터 생성 (미리 보기)

실제 데이터가 제한적인 경우, 합성 데이터를 쉽게 생성할 수 있습니다. 필요한 경우, SageMaker AI의 AI 에이전트는 선택한 모델 사용자 정의 기술에 필요한 형식과 구조로 데이터 샘플 및 컨텍스트 문서를 기반으로 데이터세트를 생성합니다.

고급 사용자 정의 기술

SageMaker AI는 지도 미세 조정(SFT), 직접 선호도 최적화(DPO), 그리고 AI 피드백을 통한 강화 학습(RLAIF) 및 검증 가능한 보상(RLVR)을 포함한 최신 모델 사용자 정의 기술을 지원합니다.

엔드-투-엔드 서버리스 모델 사용자 정의

SageMaker AI는 모델 및 데이터 크기에 따라 적절한 컴퓨팅 리소스를 자동으로 선택하고 프로비저닝합니다. 이 모든 것이 인스턴스를 선택하고 관리할 필요 없이 이루어집니다.

추론

원하는 정확도 및 성능 목표를 달성하면 몇 번의 클릭만으로 SageMaker AI 추론 엔드포인트 또는 서버리스 추론을 위한 Amazon Bedrock에 모델을 프로덕션 배포할 수 있습니다.

LLMOps

추적 서버를 프로비저닝하거나 코드를 수정할 필요 없이 모든 중요한 실험 지표를 자동으로 기록할 수 있습니다. MLflow와의 통합은 또한 풍부한 시각화 및 추가 분석을 위한 MLflow 사용자 인터페이스로의 진입점을 제공합니다.

사용 사례

모든 응답에서 사용자의 스타일과 일관되게 일치하는 회사의 목소리와 어조를 갖도록 AI 모델을 제작하세요.

사용자가 선호하는 응답을 생성하도록 AI 모델을 훈련하세요. 여러 응답 옵션에 대한 피드백을 수집하고 가장 선호되는 출력을 지속적으로 생성하도록 모델을 최적화하세요.

AI 모델을 해당 산업 분야의 전문가로 전환하세요. 전문 용어, 요구 사항 및 모범 사례를 이해하도록 업계 지식을 제공하세요.

사용하기 쉬운 인터페이스

더 많은 제어 및 유연성을 위해 사용하기 쉬운 인터페이스를 사용하여 모델 평가 기준을 식별하고, 모델 및 사용자 정의 기술을 선택하고, 데이터 향상 필요성을 결정하며, 모델을 배포할 수 있습니다.

AI 에이전트 안내 워크플로 (미리 보기)

자연어로 사용 사례를 전달하세요. AI 에이전트는 데이터세트 지침, 평가 기준, 관련 지표 및 사용자 정의 기술을 포함하는 사양을 생성합니다.

데이터세트 격차가 있는 경우 AI 에이전트가 합성 데이터 생성을 돕습니다. 모델 훈련을 시작하기 전에 사양을 승인하거나 에이전트와 대화를 계속하여 사용 사례 사양을 추가로 구체화할 수 있습니다.

고객

고객이 Amazon SageMaker AI 모델 사용자 정의를 선택하는 이유

Collinear AI

"Collinear에서 당사는 프론티어 AI 연구소 및 포춘 500대 기업을 위해 선별된 데이터세트 및 시뮬레이션 환경을 구축하여 모델을 개선합니다. AI 모델 미세 조정은 고충실도 시뮬레이션을 생성하는 데 중요하며, 이전에는 훈련, 평가 및 배포를 위해 서로 다른 시스템을 연결해야 했습니다. 이제 Amazon SageMaker AI의 새로운 서버리스 모델 사용자 정의 기능을 통해, 실험 주기를 몇 주에서 며칠로 단축할 수 있는 통합된 방법을 갖게 되었습니다. 이 엔드-투-엔드 서버리스 툴링은 인프라를 유지하거나 서로 다른 플랫폼을 저글링하는 대신, 고객을 위한 더 나은 훈련 데이터 및 시뮬레이션을 구축하는 것과 같은 중요한 것에 집중할 수 있도록 돕습니다."

Soumyadeep Bakshi, Collinear AI 공동 창립자

Robin AI

"Robin에서 당사는 현대 비즈니스에서 법무팀의 역할을 재정의하고 있으며, AI를 사용하여 더 나은 결정, 더 빠른 조치 및 지속 가능한 성장을 추진하고 있습니다. 고객에게 더 나은 의사 결정을 제공하기 위해, 당사의 AI 모델이 변호사가 계약서를 작성하는 방식(개별 변호사의 특정 형식, 어조 및 선호도)과 일치하는 것이 중요합니다. 이전에는 독점 데이터로 모델을 사용자 정의하는 것이 오류가 발생하기 쉬운 번거로운 프로세스였습니다. 이제 Amazon SageMaker AI의 새로운 서버리스 모델 사용자 정의 기능을 통해, 검증 가능한 보상을 통한 강화 학습과 같은 고급 기술을 며칠 만에 신속하게 실험할 수 있습니다. 또한 AI 에이전트 안내 워크플로를 시도하게 되어 기쁘며, 이를 통해 가정을 비교하고 검증하여 전 세계 변호사들이 더 빠르고 더 나은 결정을 내릴 수 있도록 도울 수 있습니다."

Diana Mincu, Robin AI의 Director of Research