Modelos y plataformas de IA
AWS añade herramientas de preparación de datos con IA a Amazon SageMaker AI

Puntos claveSageMaker AI ahora consolida la generación, la evaluación, la transformación y el…
Ver más
- SageMaker AI ahora consolida la generación, la evaluación, la transformación y el etiquetado en una única ruta de conjunto de datos gestionado.
- El etiquetado automático utiliza la concordancia de los modelos como puntuación de confianza para dirigir las filas inciertas a revisores humanos.
- Los trabajos que producen datos registran los resultados en un centro de la cuenta para que los conjuntos de datos pasen entre etapas mediante ARN.
AWS anunció nuevas capacidades de preparación de datos con IA para Amazon SageMaker AI el 17 de noviembre de 2026, con las que incorpora generación de datos sintéticos, evaluación de calidad, transformación, etiquetado automático y revisión humana a los flujos de trabajo de desarrollo de modelos. Las herramientas están disponibles de forma general en las regiones US East (N. Virginia) y US West (Oregon).
Esta versión reúne tareas que a menudo se reparten entre herramientas de etiquetado independientes, scripts de generación y procesos de validación. Un equipo puede usar una capacidad dentro de un proceso existente o encadenar varias, con especificaciones y código que se pueden inspeccionar y modificar mientras el conjunto de datos avanza hacia el entrenamiento o la evaluación.
Generación, limpieza y formatos de entrenamiento
La generación de datos sintéticos crea registros de entrenamiento, evaluación y prueba a partir de una especificación, con la opción de fundamentarlos en datos semilla y documentos. También produce un proceso basado en código que los usuarios pueden revisar, modificar, reutilizar y ampliar, lo que permite inspeccionar el propio proceso de generación.
La evaluación de calidad puede aplicar las reglas de negocio del cliente, métricas integradas y métricas de LLM como juez, en las que un modelo de lenguaje evalúa los datos. Puede detectar duplicados y casi duplicados, así como revelar ruido en las etiquetas o filtraciones de respuestas. Después, la transformación puede modificar la estructura de los registros mediante código generado, funciones integradas de deduplicación, combinación, división y filtrado, o código Python proporcionado por el usuario y ejecutado a escala.
La cadena de entrenamiento de ejemplo de AWS da formato a los datos resultantes para el ajuste fino supervisado, la optimización directa de preferencias o el aprendizaje por refuerzo; comprueba su calidad y, a continuación, pasa a la personalización de modelos de SageMaker AI. Esta secuencia sitúa la validación del conjunto de datos antes del cómputo de entrenamiento y ofrece a los equipos la oportunidad de corregir los registros defectuosos antes de una ejecución de entrenamiento.
Las puntuaciones de confianza alimentan la revisión humana
El etiquetado automático puede partir de un conjunto de datos sin etiquetar, de un pequeño conjunto semilla etiquetado o de datos sin ninguna etiqueta. Las tareas integradas incluyen clasificación, reconocimiento de entidades con nombre, respuesta extractiva a preguntas, calificación ordinal y resumen; también se pueden definir tareas personalizadas. Antes de procesar el conjunto de datos completo, se valida una breve especificación de etiquetado con ejemplos del usuario.
En las tareas con un conjunto fijo de respuestas posibles, varios modelos etiquetan cada fila como si fueran un jurado, y su grado de acuerdo se convierte en la puntuación de confianza de esa fila. Las filas que quedan por debajo del umbral seleccionado pasan a una cola de revisión de SageMaker Studio basada en la edición comunitaria de código abierto de Label Studio. Expertos externos en la materia pueden corregirlas en la aplicación de revisión; esas correcciones se incorporan al proceso de etiquetado automático, y los equipos pueden generar métricas de consenso e informes de etiquetado.
Trabajos gestionados y transferencia de conjuntos de datos
Los desarrolladores pueden invocar estas etapas mediante el SDK de Python de SageMaker o proporcionar a un agente de programación la habilidad AWS AI-ML para que las seleccione y ejecute desde SageMaker Studio JupyterLab, Kiro o un entorno de desarrollo integrado local. La documentación de SageMaker AI especifica la versión 3.30.0 o posterior del SDK y una DataPreparer clase con generate(), evaluate() y transform() métodos. El generate() método abarca tanto la generación de datos sintéticos como el etiquetado automático.
La generación de datos sintéticos, el etiquetado automático, la evaluación de calidad y la transformación se ejecutan como trabajos gestionados por SageMaker. Los trabajos que producen datos escriben los registros en Amazon S3 y los registran en un centro de cuenta como DataSet contenido. Para esos resultados, el objeto del SDK DataSet incluye un nombre de recurso de Amazon (ARN) que se puede pasar a la siguiente etapa. La transformación publica los datos en el mismo centro que su entrada, por lo general como una nueva versión de ese conjunto de datos; la evaluación de calidad, en cambio, escribe los resultados en S3 sin registrar otro conjunto de datos.
El asistente de programación redacta especificaciones, comprueba el entorno y solicita aprobación antes de ejecutar un trabajo o crear recursos. También puede guardar las ejecuciones de trabajos como un cuaderno o un script, generando un recurso reutilizable que se puede volver a ejecutar.
El flujo de trabajo utiliza un rol de ejecución de AWS Identity and Access Management controlado por el cliente. Los datos de origen, los conjuntos de datos generados y las etiquetas permanecen en los propios buckets de S3 del cliente, en la región de AWS seleccionada, de modo que el almacenamiento y el acceso se mantienen dentro de los permisos y la ubicación que elija el cliente.
Splunk, una empresa de Cisco, utilizó la generación de datos sintéticos al crear modelos de evaluación para su producto Agent Observability. Yash Sheth, director de ingeniería de Splunk Agent Observability, dijo que las herramientas generaron rápidamente conjuntos de datos representativos desde el punto de vista estadístico y conservaron los patrones de los que dependen sus modelos. Añadió que su integración con SageMaker redujo el trabajo de preparación de datos para sus científicos de datos y clientes.
Para los desarrolladores, el cambio operativo consiste en que la generación, la verificación y la corrección pueden alimentar el desarrollo de modelos a través de una única ruta gestionada para conjuntos de datos. AWS ha combinado esa automatización con recursos inspeccionables, solicitudes de aprobación y registros de S3 bajo el control del cliente, de modo que el control sobre cómo se producen los datos sigue formando parte del flujo de preparación.












