Amazon SageMaker AI पर ज्ञान निष्कर्षण के साथ कुशल एजेंट्स बनाएं
aws ·
यह लेख Amazon SageMaker AI पर अनुक्रम-स्तरीय ज्ञान विभवन (SeqKD) का उपयोग करके कुशल AI एजेंट्स बनाने की प्रक्रिया को दर्शाता है। लेखक एजेंटिक वर्कफ़्लो के उच्च खर्चों को दूर करने के लिए, जो अक्सर बड़े फ्रंटियर मॉडल में कई API कॉल्स की मांग करते हैं, एक छोटे 'छात्र' मॉडल को एक बड़े 'गुरु' मॉडल के व्यवहार को नकल करने के लिए प्रशिक्षित करते हैं। GLM-5.3 को गुरु और Qwen3.5-4B को छात्र के रूप में उपयोग करते हुए, वे एक शॉपिंग सहायक कार्य के लिए बहु-चरण ट्रैजेक्टरी उत्पन्न करते हैं और ShoppingBench स्कोरर का उपयोग करके उन्हें सफलता के आधार पर फ़िल्टर करते हैं। छात्र मॉडल को SageMaker AI पर सर्वरलेस सुपरवाइज्ड फाइन-ट्यूनिंग के माध्यम से फाइन-ट्यून किया जाता है, जिसमें टूल कॉल्स के साथ-साथ गुरु के तर्क चरण भी संरक्षित रहते हैं। मूल्यांकन परिणाम दिखाते हैं कि डिस्टिल्ड 4B मॉडल ने फ्रंटियर गुरु के समान निरंतर सफलता दर प्राप्त की है, जो बेस अनट्रेन्ड मॉडल से काफी बेहतर है। इस दृष्टिकोण से संगठनों को उच्च गुणवत्ता वाले एजेंट प्रदर्शन को बनाए रखते हुए, एक छोटे मॉडल को होस्ट करके इनफरेंस लागत कम करने की अनुमति मिलती है। पोस्ट यह निष्कर्ष निकालती है कि SeqKD एक प्रभावी पहला कदम है, हालांकि कठिन कार्यों के लिए अंततः ऑन-पॉलिसी रीइन्फोर्समेंट लर्निंग विधियों की आवश्यकता हो सकती है।
aws