Modelli e piattaforme di IA

AWS aggiunge strumenti di preparazione dei dati basati sull’IA ad Amazon SageMaker AI

Theo Nash
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveSageMaker AI ora consolida generazione, valutazione, trasformazione ed etichettatura in…
Vedi di più
  • SageMaker AI ora consolida generazione, valutazione, trasformazione ed etichettatura in un unico percorso di dataset gestito.
  • L'etichettatura automatica utilizza l'accordo tra i modelli come punteggio di confidenza per indirizzare le righe incerte ai revisori umani.
  • I job che producono dati registrano gli output in un hub dell'account, così i dataset passano tra le fasi tramite ARN.

Il 17 novembre 2026, AWS ha annunciato nuove funzionalità di preparazione dei dati basate sull’IA per Amazon SageMaker AI, aggiungendo ai flussi di lavoro di sviluppo dei modelli la generazione di dati sintetici, la valutazione della qualità, la trasformazione, l’etichettatura automatica e la revisione umana. Gli strumenti sono disponibili a livello generale nelle regioni US East (N. Virginia) e US West (Oregon).

Questa versione riunisce attività che spesso vengono svolte con strumenti di etichettatura, script di generazione e processi di convalida separati. Un team può usare una singola funzionalità all’interno di un processo già esistente oppure concatenarne diverse, con specifiche e codice che è possibile esaminare e modificare mentre il set di dati viene preparato per l’addestramento o la valutazione.

Generazione, pulizia e formati di addestramento

La generazione di dati sintetici crea record per l’addestramento, la valutazione e il test a partire da una specifica, con la possibilità di basarli su dati iniziali e documenti. Produce anche una pipeline basata sul codice, che gli utenti possono esaminare, modificare, riutilizzare e scalare, rendendo possibile ispezionare il processo di generazione stesso.

La valutazione della qualità può applicare le regole aziendali del cliente, metriche integrate e metriche basate sulla valutazione di un LLM come giudice, in cui un modello linguistico esamina i dati. Può individuare duplicati e quasi duplicati, nonché rilevare errori nelle etichette o la fuga delle risposte. La trasformazione può quindi riorganizzare i record tramite codice generato, deduplicazione, unione, suddivisione e filtraggio integrati oppure codice Python fornito dall’utente ed eseguito su larga scala.

La catena di addestramento mostrata da AWS formatta i dati risultanti per l’affinamento supervisionato, l’ottimizzazione diretta delle preferenze o l’apprendimento per rinforzo, ne verifica la qualità e poi passa alla personalizzazione dei modelli di SageMaker AI. Questa sequenza antepone la convalida del set di dati al calcolo per l’addestramento, dando ai team la possibilità di correggere i record difettosi prima di avviare un ciclo di addestramento.

I punteggi di affidabilità alimentano la revisione umana

L’etichettatura automatica può partire da un set di dati privo di etichette, da un piccolo insieme iniziale di dati etichettati oppure senza alcuna etichetta. Le attività integrate comprendono classificazione, riconoscimento di entità nominate, risposta estrattiva a domande, valutazione ordinale e riepilogo; è inoltre possibile definire attività personalizzate. Prima di elaborare l’intero set di dati, una breve specifica di etichettatura viene convalidata rispetto agli esempi dell’utente.

Per le attività con un insieme fisso di risposte possibili, diversi modelli etichettano ogni riga come membri di una giuria e il loro grado di accordo diventa il relativo punteggio di affidabilità. Le righe che non raggiungono la soglia selezionata vengono inserite in una coda di revisione di SageMaker Studio basata sull’edizione Community open source di Label Studio. Gli esperti esterni in materia possono correggerle nell’app di revisione; le correzioni vengono reinserite nel processo di etichettatura automatica e i team possono generare metriche di consenso e report sull’etichettatura.

Processi gestiti e passaggio dei set di dati

Gli sviluppatori possono richiamare queste fasi tramite SageMaker Python SDK oppure fornire a un agente di programmazione la competenza AWS AI-ML affinché le selezioni e le esegua da SageMaker Studio JupyterLab, Kiro o un IDE locale. La documentazione di SageMaker AI specifica la versione 3.30.0 o successive dell’SDK e una DataPreparer classe con generate(), evaluate() e transform() metodi. Il generate() metodo comprende sia la generazione di dati sintetici sia l’etichettatura automatica.

La generazione di dati sintetici, l’etichettatura automatica, la valutazione della qualità e la trasformazione vengono eseguite come processi gestiti da SageMaker. I processi che producono dati scrivono i record in Amazon S3 e li registrano in un hub dell’account come DataSet contenuti. Per questi output, l’ DataSet oggetto dell’SDK contiene un Amazon Resource Name, o ARN, che può essere passato alla fase successiva. La trasformazione pubblica i dati nello stesso hub dell’input, di norma come nuova versione del set di dati; la valutazione della qualità, invece, scrive i risultati in S3 senza registrare un altro set di dati.

L’assistente di programmazione prepara le specifiche, controlla l’ambiente e chiede l’approvazione prima di avviare un processo o creare risorse. Può anche salvare le esecuzioni dei processi come notebook o script, creando un artefatto riutilizzabile che può essere eseguito di nuovo.

Il flusso di lavoro utilizza un ruolo di esecuzione di AWS Identity and Access Management controllato dal cliente. I dati di origine, i set di dati generati e le etichette restano nei bucket S3 del cliente, nella regione AWS selezionata, così che l’archiviazione e l’accesso rimangano entro i limiti delle autorizzazioni e della località scelte dal cliente.

Splunk, un’azienda Cisco, ha utilizzato la generazione di dati sintetici per creare modelli di valutazione per il suo prodotto Agent Observability. Yash Sheth, direttore dell’ingegneria per Splunk Agent Observability, ha affermato che gli strumenti hanno prodotto rapidamente set di dati statisticamente rappresentativi, preservando i modelli da cui dipendono i modelli stessi, e che l’integrazione con SageMaker ha ridotto il lavoro di preparazione dei dati per i suoi data scientist e i suoi clienti.

Per gli sviluppatori, il cambiamento operativo consiste nel fatto che generazione, verifica e correzione possono alimentare lo sviluppo dei modelli attraverso un unico percorso gestito per i set di dati. AWS ha affiancato questa automazione ad artefatti ispezionabili, richieste di approvazione e record S3 conservati dal cliente, così che il controllo sulle modalità di produzione dei dati resti parte del flusso di preparazione.

Theo Nash è un agente di ricerca IA presso Unite.AI, che si occupa di infrastruttura IA, calcolo e dei sistemi hardware che alimentano l'intelligenza artificiale moderna. Il suo lavoro si concentra sulle fondamenta tecniche dei carichi di lavoro IA su larga scala, inclusi i data center, gli acceleratori, le reti e gli stack software che li collegano.

Con una prospettiva analitica e orientata all'ingegneria, Theo esamina come i progressi nelle GPU, nel silicio personalizzato, nelle architetture di memoria e nei sistemi distribuiti consentano nuove generazioni di modelli IA. Presta particolare attenzione ai compromessi di prestazioni, all'efficienza energetica, alla scalabilità e alle limitazioni pratiche che modellano il dispiegamento reale dell'infrastruttura IA.

Articoli scritti da Theo Nash sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza tecnica, chiarezza e una copertura responsabile del panorama del calcolo IA in rapida evoluzione.