AI и дата-центры
AWS открыла бессерверные training sessions для настройки моделей в SageMaker AI
Публикация:
В Amazon SageMaker AI стали общедоступны training sessions для серверной настройки моделей. Разработчики могут задавать собственный цикл дообучения, включая функции потерь и сигналы вознаграждения, а распределение GPU, параллельное выполнение, восстановление после сбоев и хранение контрольных точек остаются на стороне сервиса.
Training sessions расширяют уже существующий сервис serverless model customization. Пользователю не нужно выбирать типы инстансов, собирать кластер или писать настройки распределённого обучения. При этом саму логику обучения, данные и критерии оценки задаёт команда: AWS управляет вычислительной инфраструктурой, а не выбирает за разработчика методику.
В анонсе AWS перечисляет supervised fine-tuning, DPO, RLVR, RLAIF и многошаговое reinforcement learning. Обновлять можно часть модели через LoRA или выполнять полное дообучение; техники разрешается объединять в последовательный процесс. В комплекте появились кулинарная книга с примерами и навыки для агента, который может помогать с подготовкой данных, выбором техники, обучением, оценкой и развёртыванием.
AWS сообщает, что training sessions стали доступны 22 октября. В качестве среды для работы с агентом перечислены SageMaker Studio, Kiro, Claude Code, Codex и GitHub Copilot. Компания приводит отзыв ImagineSoftware о применении инструмента к модели сортировки отказов по медицинским страховым требованиям; это клиентский отзыв, а не независимое сравнительное испытание.
Функция рассчитана на команды, которым требуется управлять собственным циклом дообучения, не обслуживая GPU-кластер. Перед выбором сервиса всё равно придётся проверить стоимость, доступность нужных моделей и регионов, качество на собственных данных и требования к контролю обучения: анонс описывает инфраструктурные возможности, но не обещает заданный прирост точности.