Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Personalizzazione dei modelli Amazon Nova sull'intelligenza artificiale SageMaker
Nota
Questa documentazione è per Amazon Nova versione 1. Amazon Nova 2 è ora disponibile con nuovi modelli e funzionalità avanzate. Per informazioni su come personalizzare Amazon Nova 2, visita Personalizzare i modelli Amazon Nova 2.
Puoi personalizzare i modelli Amazon Nova, inclusi i modelli Amazon Nova 2.0 migliorati, tramite ricette e addestrarli SageMaker. Queste ricette supportano tecniche come Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO) e Reinforcement Fine-Tuning (RFT), con opzioni di adattamento completo e di adattamento a basso livello (LoRa).
Il flusso di lavoro di end-to-end personalizzazione prevede fasi come l'addestramento del modello, la valutazione del modello e l'implementazione per l'inferenza. Questo approccio di personalizzazione dei modelli SageMaker offre maggiore flessibilità e controllo per ottimizzare i modelli Amazon Nova supportati, ottimizzare gli iperparametri con precisione e implementare tecniche come LoRa parameter-efficient fine-tuning (PEFT), SFT completo, DPO, RFT, Continued Pre-Training (CPT), Proximal Policy Optimization (PPO), ecc.
SageMaker offre due ambienti per personalizzare i modelli Amazon Nova.
-
SageMaker training jobs fornisce un ambiente completamente gestito per la personalizzazione dei modelli Amazon Nova in cui non è necessario creare o mantenere alcun cluster. Il servizio gestisce automaticamente il provisioning, il dimensionamento e la gestione delle risorse dell’infrastruttura, permettendo di concentrarsi esclusivamente sulla configurazione dei parametri di addestramento e sull’invio dei job. Puoi personalizzare i modelli Nova durante i lavori di SageMaker formazione con tecniche come Parameter Efficient Fine-tuning (PEFT), Full rank fine tuning, Direct Preference Optimization (DPO) e Reinforcement Fine-Tuning (RFT). Per ulteriori informazioni, consulta Personalizzazione di Amazon Nova su SageMaker Training Jobs.
Nota
Se fornisci una chiave KMS per il tuo processo di formazione sulla personalizzazione del modello Amazon Nova per la crittografia nel bucket di output S3 di proprietà di Amazon:
-
Devi fornire la stessa chiave KMS quando richiami i successivi lavori di formazione iterativi o quando chiami l'CreateCustomModelAPI Amazon Bedrock sfruttando il modello crittografato.
-
L'identità che chiama l'
CreateTrainingJobAPI (anziché il ruolo di esecuzione) deve disporre delle autorizzazioni perCreateGranteGenerateDataKeycome definito nellaEncryptpolicy chiave KMS.RetireGrant
-
-
SageMaker HyperPodoffre un ambiente specializzato per addestrare i modelli Amazon Nova richiedendo la creazione e la gestione di cluster EKS con gruppi di istanze limitati (RIGs). Questo ambiente offre flessibilità nella configurazione dell'ambiente di formazione con istanze GPU specializzate e storage Amazon FSx for Lustre integrato, rendendolo particolarmente adatto per scenari di formazione distribuita avanzati e sviluppo continuo di modelli. Per ulteriori informazioni, consulta Personalizzazione di Amazon Nova su SageMaker HyperPod.
In questo capitolo
