Anuncio de nuevas formas de personalizar modelos con SageMaker AI sin gestionar GPUs
aws ·
AWS ha anunciado la disponibilidad general de las sesiones de entrenamiento para la personalización de modelos sin servidor en SageMaker AI, lo que permite a los desarrolladores personalizar modelos sin gestionar infraestructura de GPU. Esta nueva función permite a los usuarios escribir y coordinar sus propios bucles posteriores al entrenamiento, incluidas funciones de pérdida personalizadas y señales de recompensa, mientras AWS se encarga de la ejecución distribuida y la recuperación ante errores. Los clientes pueden utilizar diversas técnicas como SFT, DPO, RLVR y aprendizaje por refuerzo multironda, manteniendo un control total sobre el proceso de entrenamiento. El servicio admite modelos específicos de peso abierto, entre ellos gpt-oss-20b, gemma-4-31B-it y variantes de Qwen. Los usuarios conservan la propiedad de sus datos y modelos, que permanecen en sus propios cubos de S3 y no se utilizan para entrenar otros modelos. La implementación se facilita mediante el SDK de Python de SageMaker o directamente dentro de SageMaker Studio utilizando agentes de codificación integrados. Los primeros adoptantes de los sectores de la salud y la inteligencia artificial han elogiado la plataforma por su control fino y su simplicidad operativa.
aws