Podczas konferencji w Las Vegas AWS zaprezentowało nowe opcje dostosowywania modeli AI w usługach SageMaker i Bedrock, które mają ułatwić tworzenie modeli dostosowanych do danych firmowych — bez potrzeby posiadania zaawansowanej wiedzy naukowej. To rozszerzenie funkcji pojawia się krótko po ogłoszeniu Nova Forge, narzędzia do personalizacji rodziny modeli Nova, i ma na celu udostępnienie podobnych możliwości szerszemu gronu deweloperów i zespołów produktowych.
Dostosowywanie modeli w SageMaker — dwa podejścia i brak zarządzania infrastrukturą
SageMaker, dotąd znany przede wszystkim jako platforma do tworzenia i zarządzania modelami uczenia maszynowego, otrzymał teraz funkcje pozwalające na serverlessowe dostosowywanie modeli do danych firmowych. Jak wyjaśnił Swami Sivasubramanian, wiceprezes AWS ds. Agentic AI, podejście w SageMaker różni się od Nova Forge. AWS wprowadza dwie ścieżki: w pełni prowadzoną przez agenta oraz tryb „self‑guided” dający deweloperom większą kontrolę.
W doświadczeniu prowadzonym agent krok po kroku pomaga użytkownikowi zidentyfikować przypadek użycia, dobrać metodę dostosowania (np. nadzorowane fine‑tuning czy techniki oparte na wzmacnianiu), a nawet generuje syntetyczne dane niezbędne do treningu. Wersja „self‑guided” pozostawia więcej decyzji technicznych programiście, ale — podobnie jak w trybie prowadzonym — użytkownik nie musi zarządzać infrastrukturą wykonywanych procesów; SageMaker obsługuje zaplecze, pozwalając zespołom skupić się na doborze technik i dopracowaniu parametrów.
Sivasubramanian podkreślił, że do tej pory tego typu możliwości były dostępne głównie dla wyspecjalizowanych naukowców i poza zasięgiem większości deweloperów. Nowe rozwiązanie jest zgodnie z założeniem serwerless, dzięki czemu ma obniżyć barierę wejścia i uprościć proces tworzenia modeli dostosowanych do potrzeb biznesu.
Reinforcement Fine‑Tuning w Bedrock — automatyzacja procesu nagradzania
Bedrock, w pełni zarządzana usługa AWS umożliwiająca dostęp do modeli bazowych od Amazon oraz partnerów takich jak Anthropic i Mistral, otrzymała funkcję Reinforcement Fine‑Tuning (RFT). RFT polega na dostrajaniu modelu do konkretnego zadania poprzez system nagród: drugi model ocenia generowane odpowiedzi, a oceny te służą jako sygnały nagradzające podczas aktualizacji wag modelu. To podejście oparte na wzmocnieniu umożliwia dostosowanie modeli do specyficznych oczekiwań jakościowych.
W ramach nowej usługi deweloperzy mogą wybierać funkcje nagradzania — oparte na AI, oparte na regułach lub korzystać z gotowych szablonów — a Bedrock zajmie się całością procesu fine‑tuningu. W komunikacie prasowym AWS zaznacza, że do skutecznego użycia tej techniki nie jest wymagany doktorat z uczenia maszynowego, a wystarczy „jasne wyobrażenie o tym, co dla firmy oznacza dobry rezultat”.
AWS podaje, że klienci korzystający z tego podejścia obserwują średnio 66% wzrost dokładności względem modeli bazowych, jednocześnie osiągając łatwiejsze i szybsze uruchamianie modeli. Tę deklarację firma stawia jako argument za praktycznymi korzyściami płynącymi z automatyzacji i upraszczania procesów dostrajania.
Rynek i konkurencja
Funkcje opisane przez AWS nie są unikalne dla tego dostawcy — konkurencja również rozwija podobne możliwości. Google w Vertex AI oferuje zestaw narzędzi do dostosowywania modeli, w tym opcje oparte na technikach wzmacniania, zaś Microsoft w ramach AI Foundry udostępnia usługi fine‑tuningu. Wprowadzone przez AWS zmiany wpisują się więc w szerszy trend uczynienia zaawansowanych metod dostosowywania modeli bardziej przystępnymi dla zespołów produktowych i deweloperów.
Łącznie zaproponowane przez AWS rozwiązania dążą do zlikwidowania bariery technicznej przy wdrażaniu dostosowanych modeli — zarówno przez automatyzację zadań, które wcześniej wymagały specjalistycznej wiedzy, jak i przez utrzymanie zarządzania infrastrukturą po stronie usługodawcy. Dla firm oznacza to szybsze eksperymenty i łatwiejsze przekuwanie danych własnych w modele lepiej odpowiadające konkretnym potrzebom biznesowym.
