#

Points clés

• AWS étend SageMaker AI avec la disponibilité générale des sessions d'entraînement.

• Les sessions d'entraînement permettent aux utilisateurs de contrôler la logique post-entraînement sans gérer l'infrastructure sous-jacente.

• SageMaker AI gère l'allocation des GPU, l'exécution distribuée, la reprise après incident et le stockage des points de contrôle.

• La fonctionnalité prend en charge plusieurs techniques de personnalisation, notamment SFT, DPO, RLVR, RLAIF et le RL multi-tours.

Ce qu'AWS a annoncé

AWS indique qu'il étend la personnalisation de modèles sans serveur d'Amazon SageMaker AI avec le lancement en disponibilité générale des sessions d'entraînement. L'annonce vise à simplifier la personnalisation des modèles sans obliger les utilisateurs à gérer les GPU. Elle laisse aussi à l'utilisateur le contrôle de la logique post-entraînement.

La source indique que les entreprises qui obtiennent de vrais résultats avec l'IA n'utilisent pas seulement des modèles de fondation prêts à l'emploi. Elles personnalisent des modèles à poids ouverts avec des techniques de post-entraînement telles que l'apprentissage par renforcement. AWS explique qu'un modèle entraîné sur le contexte métier, un catalogue de produits ou un vocabulaire clinique peut être plus précis pour une tâche et coûter moins cher à exécuter.

Ce que font les sessions d'entraînement

Avec les sessions d'entraînement, les utilisateurs écrivent et coordonnent la boucle d'entraînement. La source mentionne explicitement des fonctions de perte personnalisées et des signaux de récompense. SageMaker AI prend ensuite en charge l'allocation des GPU, l'exécution distribuée, la reprise après incident et le stockage des points de contrôle. Cette répartition des tâches constitue la principale proposition de valeur de l'annonce.

AWS affirme que l'objectif est de supprimer le travail d'infrastructure du processus de personnalisation. Les utilisateurs n'ont pas besoin de choisir des types d'instances, de gérer des clusters ou d'écrire une configuration d'entraînement distribué. La source présente cela comme faisant partie de la personnalisation de modèles sans serveur de SageMaker AI.

Techniques prises en charge

AWS indique ne pas vouloir limiter les utilisateurs à une seule méthode. La source liste plusieurs techniques pouvant être utilisées avec le service. Il s'agit notamment de SFT, DPO, RLVR, RLAIF et du RL multi-tours.

L'annonce précise également que lorsque les équipes construisent des agents, leurs données, leurs workflows, leurs évaluations et leurs critères de réussite façonnent le comportement du modèle. Cela signifie que la personnalisation ne concerne pas seulement le modèle lui-même. Elle dépend aussi de la manière dont le système est entraîné et évalué.

Pourquoi c'est important

La source présente la personnalisation des modèles comme difficile, car elle exige à la fois des choix techniques et la gestion de l'infrastructure. Les utilisateurs doivent choisir la bonne technique et mettre en place l'infrastructure GPU. Pour les agents, ils ont aussi besoin d'environnements pour l'apprentissage par renforcement multi-tours.

Les sessions d'entraînement sont présentées comme un moyen de garder la logique de personnalisation flexible tout en réduisant la charge opérationnelle. L'utilisateur contrôle la boucle d'entraînement, mais AWS gère les tâches d'infrastructure qui ralentissent souvent les équipes. Cela rend la fonctionnalité pertinente pour les équipes qui veulent plus de contrôle que ce que fournissent les modèles prêts à l'emploi.

Considérations opérationnelles

L'annonce met en avant quelques considérations pratiques. Premièrement, les utilisateurs doivent toujours décider quelle technique de post-entraînement correspond à leur objectif. Deuxièmement, ils doivent définir la boucle d'entraînement et les signaux qui la guident. Troisièmement, ils doivent réfléchir à la manière dont les données, les workflows, les évaluations et les critères de réussite influencent le comportement des agents.

La source ne fournit pas de prix, de limites ni de détails d'implémentation au-delà de ces points. Elle indique toutefois clairement que le service est conçu pour réduire le besoin de gestion de l'infrastructure tout en préservant le contrôle de la personnalisation.

Pertinence pour le Maroc

La source ne rapporte aucun fait spécifique au Maroc. Pour les lecteurs au Maroc, la leçon globale est conditionnelle : si une équipe a besoin de personnaliser un modèle sans gérer l'infrastructure GPU, ce type d'approche managée peut valoir la peine d'être évalué.

En résumé

AWS positionne les sessions d'entraînement de SageMaker AI comme un compromis entre contrôle total et gestion complète de l'infrastructure. Les utilisateurs conservent la logique du post-entraînement, tandis qu'AWS gère la couche GPU et exécution. L'annonce met l'accent sur la flexibilité, la simplicité opérationnelle et la prise en charge de plusieurs méthodes de personnalisation.