Comment accéder à la personnalisation des modèles

Amazon SageMaker AI propose plusieurs interfaces pour la personnalisation des modèles. Le tableau suivant récapitule les options qui s'offrent à vous : choisissez l'interface qui correspond le mieux à votre flux de travail et à votre niveau de contrôle.

Interface	Infrastructures	Idéal pour	Niveau de contrôle
Interface utilisateur de Studio	Serverless (Sans serveur)	Expérimentation rapide, utilisateurs sans code	Guidé : sélectionnez le modèle, la technique, téléchargez les données
PythonSDK (SFTTrainer, etc.)	Serverless (Sans serveur)	Canalisations reproductibles, automatisation	Programmatique : spécifiez tous les paramètres dans le code
PythonKit de développement logiciel () ModelTrainer	SageMaker Emplois de formation en IA	Instances personnalisées, configurations avancées	Complet : choisissez le type d'instance, le nombre et l'image
Recettes	Offres d'emploi de formation + HyperPod	Pre-configured meilleures pratiques	Recipe-driven — modifier la configuration YAML
HP-CLI	HyperPod(EKS)	Kubernetes-équipes natives	Dossier complet — soumission Kubernetes du poste
Agent (compétences en matière de personnalisation des modèles)	Serverless (Sans serveur)	Flux de travail en langage naturel, expérience guidée	Conversationnel : décrivez ce dont vous avez besoin

Interface utilisateur de Studio

La console SageMaker AI Studio fournit des flux de travail visuels pour la personnalisation des modèles sans écrire de code.

Personnalisez avec l'interface utilisateur

Point d'entrée principal pour la personnalisation des modèles sans serveur. Parcourez un flux de travail guidé :

1. Sélectionnez un modèle de fondation dans le catalogue

2. Choisissez une technique de personnalisation (SFT, DPO, RLVR, RLAIF)

3. Sélectionnez un type d'entraînement (LoRAou FFT)

4. Téléchargez ou spécifiez votre ensemble de données d'entraînement (chemin S3)

5. Configuration des hyperparamètres

6. Lancement de la tâche d’entraînement

Suivez les progrès en temps réel à l'aide de statistiques et de journaux en temps réel.

JumpStart hub de modèles

Parcourez et découvrez les modèles de fondations disponibles pour la personnalisation. Filtrez par fournisseur, tâche ou taille de modèle. À partir d'une fiche détaillée du modèle, vous pouvez lancer directement la personnalisation.

Agent-Guided expérience

Utilisez Amazon SageMaker AI Skills pour adopter une approche conversationnelle de la personnalisation des modèles. Décrivez ce que vous voulez réaliser en langage naturel et l'agent vous guidera dans la sélection du modèle, la préparation du jeu de données et la configuration des tâches. Pour plus d'informations, consultez la section Compétences de l'agent de personnalisation des modèles.

Python SDK V3

Accès programmatique pour les flux de travail sans serveur et SageMaker AI Training Jobs à l'aide du SDK SageMaker AI Python.

Formateurs sans serveur

Utilisez des cours d'entraînement spécifiques à la technique pour une personnalisation entièrement gérée :

from sagemaker.modules.train import SFTTrainer, DPOTrainer, RLVRTrainer, RLAIFTrainer

# Example: Serverless SFT
trainer = SFTTrainer(
    model_id="meta-textgeneration-llama-3-1-8b-instruct",
    train_data="s3://my-bucket/train.jsonl",
    hyperparameters={
        "max_epochs": 3,
        "learning_rate": 5e-5,
        "lora_rank": 16,
    }
)
trainer.train()

SageMaker Emplois de formation en IA

À utiliser ModelTrainer pour un contrôle total sur la sélection des instances :

from sagemaker.modules.train import ModelTrainer
from sagemaker.modules.configs import Compute, InputData

trainer = ModelTrainer(
    training_image="my-training-image",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    compute=Compute(instance_type="ml.p4d.24xlarge", instance_count=2)
)
trainer.train(input_data_config=[
    InputData(channel_name="training", data_source="s3://my-bucket/train")
])

Recettes (Training Jobs + HyperPod)

Exécutez des recettes de formation préconfigurées sur SageMaker AI Training Jobs ou HyperPod clusters. Les recettes gèrent automatiquement la configuration distribuée de la formation, le chargement des ensembles de données et la gestion des points de contrôle.

Des recettes sont disponibles pour tous les modèles et techniques pris en charge. Consultez les HyperPod recettes SageMaker IA pour le catalogue complet.

git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
cd sagemaker-hyperpod-recipes
pip3 install -r requirements.txt

# Launch a fine-tuning recipe
python3 launcher/launch.py --recipe recipes_collection/recipes/fine-tuning/llama/sft_lora.yaml

HP-CLI

Command-line interface pour soumettre des offres de formation aux clusters HyperPod EKS. HP-CLI s'intègre Kubernetes à l'orchestration de la charge de travail basée sur la base pour une formation conteneurisée sur des clusters persistants.

Pour la configuration et l'utilisation, consultez HyperPod Amazon EKS.