详细内容或原文请订阅后点击阅览
代理引导的工作流程可加速 Amazon SageMaker AI 中的模型自定义
Amazon SageMaker AI 现在提供的代理体验改变了这一点。开发人员使用自然语言描述他们的用例，AI 编码代理简化了整个过程，从用例定义和数据准备到技术选择、评估和部署。在这篇文章中，我们将引导您使用 SageMaker AI 代理技能完成模型自定义生命周期。
来源:亚马逊云科技 _机器学习每个组织都可以访问相同的基础模型。真正的竞争优势来自于使用您的专有数据和领域专业知识进行定制。但即使对于经验丰富的团队来说，实现这一目标也很复杂。它需要掌握监督微调 (SFT)、直接偏好优化 (DPO) 和强化学习可验证奖励 (RLVR) 等微调技术，驾驭分散的 API 和特定于模型的数据格式，设计严格的评估，并管理长达数月的实验周期。
Amazon SageMaker AI 现在提供的代理体验改变了这一点。开发人员使用自然语言描述他们的用例，AI 编码代理简化了整个过程，从用例定义和数据准备到技术选择、评估和部署。专门构建的代理技能可提供针对特定用例的微调、将数据转换为所需格式、使用 LLM 作为法官指标进行质量评估以及灵活部署到 Amazon Bedrock 或 SageMaker AI 终端节点等方面的专业知识。模型定制的代理技能不仅可以提高生产力，还可以减少令牌的使用。所有生成的代码都是完全可编辑的，生成可重复使用的工件，无缝集成到现有工作流程中。
SageMaker AI Studio JupyterLab 中的 Amazon Kiro
SageMaker AI 中的 JupyterLab 包括通过 ACP 提供的集成代理开发环境支持。默认情况下，Kiro（亚马逊的人工智能软件开发代理）已在聊天面板中预先配置，可直接在 JupyterLab 环境中提供人工智能驱动的代码完成、调试帮助和交互式编码支持。当您在 SageMaker AI JupyterLab 中使用编码代理时，该空间会自动将相关的 SageMaker AI 模型自定义技能加载到代理的上下文中。
先决条件
在开始本教程之前，您必须满足以下先决条件：