AWS udostępnia ogólnie sesje treningowe SageMaker AI do dostosowywania modeli
W skrócie: AWS ogłosił ogólną dostępność (GA) funkcji „training sessions” w ramach serverless customization modeli Amazon SageMaker AI. Zespoły mogą pisać własne pętle post-treningowe — w tym niestandardowe funkcje straty i sygnały nagrody dla uczenia ze wzmocnieniem (RL) — podczas gdy SageMaker AI zajmuje się alokacją GPU, rozproszonym wykonaniem, odzyskiwaniem po awarii i przechowywaniem checkpointów. Obsługiwane techniki to SFT, DPO, RLVR, RLAIF oraz wielotaktowy RL, z wyborem LoRA lub pełnego fine-tuningu. Funkcja obsługuje modele gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B oraz Qwen3.8-27B, a rozliczenie opiera się na liczbie przetworzonych tokenów, z zatrzymaniem licznika podczas oceniania odpowiedzi przez funkcję nagrody użytkownika.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „AWS Machine Learning”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1Ogólna dostępność (GA) sesji treningowych serverless customization w SageMaker AI
- 2Użytkownicy piszą własne pętle treningowe (funkcje straty, sygnały nagrody); AWS zarządza alokacją GPU, rozproszonym wykonaniem, odzyskiwaniem po awarii i przechowywaniem checkpointów
- 3Obsługa SFT, DPO, RLVR, RLAIF, wielotaktowego RL, LoRA lub pełnego fine-tuningu oraz łączenia technik
- 4Obsługiwane modele: gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B, Qwen3.8-27B
- 5Rozliczenie za przetworzony token; licznik zatrzymuje się podczas oceniania odpowiedzi funkcją nagrody w środowisku użytkownika
- 6Dane, checkpointy oraz konfiguracja KMS/VPC pozostają we własnym koncie AWS i wybranym regionie użytkownika
- 7Umiejętności agenta i cookbook pomagają w przygotowaniu danych, wyborze techniki, treningu, ewaluacji i wdrożeniu, dostępne w SageMaker Studio, Kiro, Claude Code, Codex lub GitHub Copilot
Dlaczego to ważne?
To obniża barierę operacyjną dla zespołów chcących stosować uczenie ze wzmocnieniem lub dostrajać modele open-weight do zadań agentowych, wielotaktowych — na przykład agenta rezerwującego podróże, obsługującego zgłoszenia lub korzystającego z zewnętrznych narzędzi/grafów wiedzy — bez konieczności samodzielnego zarządzania klastrami GPU.
Co to oznacza dla agentów AI i contact center?
Jeśli budujesz agentów głosowych lub contact center wymagających dostosowanego rozumowania w złożonych, wielotaktowych zadaniach wywoływania narzędzi lub słownictwa branżowego (np. ocena roszczeń, katalogi produktów, dane CRM), to rozwiązanie pozwala dostrajać modele open-weight, takie jak gpt-oss-20b, z własnymi sygnałami nagrody i pętlą RL, bez posiadania własnej infrastruktury GPU — warto porównać z innymi zarządzanymi opcjami fine-tuningu pod kątem kosztów, opóźnień i dokładności w konkretnych scenariuszach agentów.
🧪 Warte przetestowania
Zespoły dostosowujące modele agentowe do wywoływania narzędzi, wielotaktowego dialogu lub dokładności branżowej mogą skorzystać z przetestowania tego serverless podejścia do sesji treningowych, aby sprawdzić, czy zmniejsza obciążenie infrastrukturą i przyspiesza iteracje w porównaniu z samodzielnym treningiem na GPU.
Źródła
- AWS Machine LearningOficjalneŹródło pierwotneOryginalny artykuł →„Announcing new ways to customize models with SageMaker AI, without managing GPUs“22 paź 2026, 21:00
- Data publikacji źródła
- 22 paź 2026, 21:00
- Znalezione przez nasz system
- 22 paź 2026, 21:00
- Podsumowanie wygenerowano
- 22 paź 2026, 21:03
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność