Modely a platformy AI
AWS přidává do Amazon SageMaker AI nástroje pro přípravu dat pomocí AI

Klíčové bodySageMaker AI nyní slučuje generování, vyhodnocování, transformaci a označování do jedné…
Zobrazit více
- SageMaker AI nyní slučuje generování, vyhodnocování, transformaci a označování do jedné spravované cesty datové sady.
- Automatické označování používá shodu modelů jako skóre spolehlivosti k přesměrování nejistých řádků k lidským kontrolorům.
- Úlohy produkující data registrují výstupy v centrálním úložišti účtu, takže datové sady přecházejí mezi fázemi pomocí ARN.
Společnost AWS oznámila nové možnosti přípravy dat pomocí AI pro Amazon SageMaker AI dne 17. listopadu 2026. Do pracovních postupů při vývoji modelů přidává generování syntetických dat, hodnocení kvality, transformaci, automatické označování a lidskou kontrolu. Nástroje jsou obecně dostupné v regionech US East (N. Virginia) a US West (Oregon).
Tato verze sjednocuje činnosti, které často probíhají v samostatných nástrojích pro označování, skriptech pro generování dat a úlohách ověřování. Tým může jednu možnost využít v rámci stávajícího procesu nebo jich několik propojit; specifikace a kód lze kontrolovat a upravovat, zatímco se datová sada připravuje k trénování nebo vyhodnocení.
Generování, čištění a formáty pro trénování
Generování syntetických dat vytváří záznamy pro trénování, vyhodnocení a testování podle specifikace, případně s využitím vzorových dat a dokumentů jako podkladů. Vytváří také procesní řetězec založený na kódu, který mohou uživatelé kontrolovat, upravovat, opakovaně používat a škálovat, takže lze nahlédnout i do samotného procesu generování.
Při hodnocení kvality lze uplatnit obchodní pravidla zákazníka, vestavěné metriky a metriky typu LLM-as-a-judge, při nichž data posuzuje jazykový model. Lze tak najít duplicity i téměř duplicitní záznamy a odhalit šum v označeních nebo úniky odpovědí. Transformace pak může záznamy upravit pomocí generovaného kódu, vestavěného odstraňování duplicit, slučování, rozdělování a filtrování nebo pomocí Pythonu dodaného uživatelem, který se spouští ve velkém měřítku.
Ukázkový trénovací řetězec AWS formátuje výsledná data pro supervidované dolaďování, přímou optimalizaci preferencí nebo posilované učení, ověřuje jejich kvalitu a poté přechází k přizpůsobení modelu v SageMaker AI. Tato posloupnost řadí ověření datové sady před výpočetní fázi trénování a dává týmům příležitost opravit vadné záznamy ještě před spuštěním trénování.
Skóre spolehlivosti předává data k lidské kontrole
Automatické označování může začít s neoznačenou datovou sadou, malou sadou označených vzorových dat nebo bez jakýchkoli označení. Vestavěné úlohy zahrnují klasifikaci, rozpoznávání pojmenovaných entit, extraktivní zodpovídání otázek, ordinální hodnocení a shrnování; lze definovat také vlastní úlohy. Krátká specifikace označování se před zpracováním celé datové sady ověří na příkladech od uživatele.
U úloh s pevně stanovenou sadou možných odpovědí označí každý řádek několik modelů fungujících jako porota; míra jejich shody se stane skóre spolehlivosti daného řádku. Řádky, jejichž skóre nedosahuje zvoleného prahu, se zařadí do fronty ke kontrole v SageMaker Studio, založené na open-source verzi Label Studio Community Edition. Externí odborníci na danou oblast mohou záznamy opravit v aplikaci pro kontrolu; tyto opravy se promítnou zpět do automatického označování a týmy mohou vytvářet metriky shody i přehledy o označování.
Spravované úlohy a předávání datových sad
Vývojáři mohou tyto fáze spouštět prostřednictvím sady SageMaker Python SDK nebo programovacímu agentovi předat dovednost AWS AI-ML, aby je vybral a spustil ze SageMaker Studio JupyterLab, Kiro nebo lokálního IDE. Dokumentace SageMaker AI uvádí, že je potřeba verze SDK 3.30.0 nebo novější a DataPreparer třídu s generate(), evaluate() a transform() metodami. Metoda generate() pokrývá generování syntetických dat i automatické označování.
Generování syntetických dat, automatické označování, hodnocení kvality a transformace probíhají jako úlohy spravované službou SageMaker. Úlohy vytvářející data zapisují záznamy do Amazon S3 a registrují je v centru účtu jako DataSet obsah. U těchto výstupů nese objekt sady SDK DataSet název prostředku Amazonu (ARN), který lze předat do další fáze. Transformace publikuje výstup do stejného centra jako vstup, obvykle jako novou verzi dané datové sady; hodnocení kvality naproti tomu zapisuje výsledky do S3, aniž by registrovalo další datovou sadu.
Programovací asistent připraví návrhy specifikací, zkontroluje prostředí a před spuštěním úlohy nebo vytvořením prostředků požádá o schválení. Spuštění úloh může také uložit jako notebook nebo skript, a vytvořit tak znovu použitelný artefakt, který lze spustit opakovaně.
Pracovní postup využívá spouštěcí roli AWS Identity and Access Management, kterou spravuje zákazník. Zdrojová data, vygenerované datové sady i označení zůstávají ve vlastních úložištích S3 zákazníka ve vybraném regionu AWS, takže ukládání i přístup podléhají oprávněním a umístění, které zákazník zvolí.
Společnost Splunk, která patří do skupiny Cisco, využila generování syntetických dat při vývoji modelů pro vyhodnocování svého produktu Agent Observability. Yash Sheth, ředitel inženýringu pro Splunk Agent Observability, uvedl, že nástroje rychle vytvářely statisticky reprezentativní datové sady a zároveň zachovávaly vzorce, na nichž jsou jejich modely závislé. Dodal, že integrace se SageMakerem omezila množství přípravných prací s daty pro datové vědce společnosti i její zákazníky.
Pro vývojáře spočívá provozní změna v tom, že generování, kontrola a opravy mohou podporovat vývoj modelů prostřednictvím jediné spravované cesty pro datové sady. AWS tuto automatizaci doplnila o artefakty, které lze kontrolovat, žádosti o schválení a záznamy S3 uložené u zákazníka, takže kontrola nad způsobem tvorby dat zůstává součástí pracovního postupu jejich přípravy.












