Yapay zeka modelleri ve platformları
AWS, Amazon SageMaker AI’ye Yapay Zekâ Veri Hazırlama Araçları Ekliyor

Öne çıkan noktalarSageMaker AI artık üretim, değerlendirme, dönüştürme ve etiketlemeyi tek bir yönetilen…
Daha fazla göster
- SageMaker AI artık üretim, değerlendirme, dönüştürme ve etiketlemeyi tek bir yönetilen veri kümesi yolunda birleştiriyor.
- Otomatik etiketleme, belirsiz satırları insan inceleyicilere yönlendirmek için model anlaşmasını güven puanı olarak kullanır.
- Veri üreten işler çıktıları bir hesap merkezinde kaydeder, böylece veri kümeleri aşamalar arasında ARN ile geçer.
AWS, 17 Kasım 2026’da Amazon SageMaker AI için yeni yapay zekâ veri hazırlama özelliklerini duyurdu. Model geliştirme iş akışlarına sentetik veri üretimi, kalite değerlendirmesi, dönüştürme, otomatik etiketleme ve insan incelemesi eklendi. Araçlar, ABD Doğu (Kuzey Virginia) ve ABD Batı (Oregon) bölgelerinde genel kullanıma sunuldu.
Bu sürüm, çoğu zaman ayrı etiketleme araçlarında, veri üretme betiklerinde ve doğrulama işlerinde yürütülen çalışmaları bir araya getiriyor. Ekipler, mevcut bir süreçte tek bir özelliği kullanabilir veya birkaç özelliği birbirine bağlayabilir; veri kümesi eğitim ya da değerlendirme için hazırlanırken özelliklere ilişkin tanımları ve kodu inceleyip değiştirebilir.
Veri Üretimi, Temizleme ve Eğitim Biçimleri
Sentetik veri üretimi, isteğe bağlı olarak başlangıç verileri ve belgelerden yararlanarak bir tanıma göre eğitim, değerlendirme ve test kayıtları oluşturur. Ayrıca kullanıcıların inceleyebileceği, değiştirebileceği, yeniden kullanabileceği ve ölçeğini artırabileceği kod tabanlı bir işlem hattı üretir; böylece veri üretim süreci de incelenebilir hâle gelir.
Kalite değerlendirmesinde müşterinin iş kuralları, yerleşik ölçütler ve bir dil modelinin verileri değerlendirdiği hakem olarak LLM ölçütleri kullanılabilir. Bu değerlendirme, yinelenen ve neredeyse yinelenen kayıtları bulabilir; etiket gürültüsünü veya yanıt sızıntısını ortaya çıkarabilir. Ardından dönüştürme işlemi, kayıtları oluşturulan kod, yerleşik yinelenen kayıtları kaldırma, birleştirme, bölme ve filtreleme işlevleri ya da büyük ölçekte çalışan, kullanıcı tarafından sağlanan Python kodu aracılığıyla yeniden biçimlendirebilir.
AWS’nin örnek eğitim zinciri, elde edilen verileri gözetimli ince ayar, doğrudan tercih optimizasyonu veya pekiştirmeli öğrenme için biçimlendirip kalitelerini kontrol ediyor ve ardından SageMaker AI model özelleştirme aşamasına geçiyor. Bu sıralama, eğitim hesaplama kaynakları kullanılmadan önce veri kümesinin doğrulanmasını sağlayarak ekiplere eğitim çalıştırması başlamadan hatalı kayıtları düzeltme fırsatı veriyor.
Güven Puanları İnsan İncelemesini Yönlendiriyor
Otomatik etiketleme, etiketsiz bir veri kümesiyle, az sayıda etiketli başlangıç örneğiyle veya hiç etiket olmadan başlayabilir. Yerleşik görevler arasında sınıflandırma, adlandırılmış varlık tanıma, çıkarımsal soru yanıtlama, sıralı derecelendirme ve özetleme bulunur; özel görevler de tanımlanabilir. Tüm veri kümesi işlenmeden önce kısa bir etiketleme tanımı, kullanıcının örnekleriyle karşılaştırılarak doğrulanır.
Olası yanıtları sabit olan görevlerde birkaç model, jüri gibi davranarak her satırı etiketler; modellerin uzlaşma düzeyi de o satırın güven puanını belirler. Seçilen eşiğin altında kalan satırlar, açık kaynaklı Label Studio Community Edition’ı temel alan SageMaker Studio inceleme kuyruğuna alınır. Konu uzmanları, inceleme uygulamasında bu satırlardaki hataları düzeltebilir; yapılan düzeltmeler otomatik etiketleme sürecine geri aktarılır ve ekipler uzlaşı ölçütleri ile etiketleme raporları oluşturabilir.
Yönetilen İşler ve Veri Kümesi Aktarımları
Geliştiriciler bu aşamaları SageMaker Python SDK üzerinden çağırabilir veya bir kodlama aracısına AWS AI-ML becerisini vererek SageMaker Studio JupyterLab, Kiro ya da yerel bir IDE üzerinden uygun aşamaları seçip çalıştırmasını sağlayabilir. SageMaker AI belgeleri, SDK’nın 3.30.0 veya üzeri sürümünü ve bir DataPreparer özelliklerine sahip sınıfı generate(), evaluate() ve transform() yöntemleri belirtir. Söz konusu generate() yöntem hem sentetik veri üretimini hem de otomatik etiketlemeyi kapsar.
Sentetik veri üretimi, otomatik etiketleme, kalite değerlendirmesi ve dönüştürme işlemleri SageMaker tarafından yönetilen işler olarak yürütülür. Veri üreten işler kayıtları Amazon S3’e yazar ve bunları hesap merkezine … olarak kaydeder. DataSet içerik. Bu çıktılar için SDK’nın DataSet nesnesi, sonraki aşamaya aktarılabilen bir Amazon Kaynak Adı (ARN) içerir. Dönüştürme işlemi çıktıları, genellikle veri kümesinin yeni bir sürümü olarak, girdinin bulunduğu aynı merkeze yayımlar. Kalite değerlendirmesi ise sonuçları S3’e yazar ancak başka bir veri kümesi kaydetmez.
Kodlama asistanı, tanımları hazırlar, ortamı denetler ve bir işi çalıştırmadan ya da kaynak oluşturmadan önce onay ister. Ayrıca iş çalıştırmalarını yeniden kullanılabilir ve tekrar çalıştırılabilir bir çıktı olarak not defterine veya betiğe kaydedebilir.
İş akışında, müşterinin kontrolündeki bir AWS Identity and Access Management yürütme rolü kullanılır. Kaynak veriler, oluşturulan veri kümeleri ve etiketler, müşterinin seçtiği AWS Bölgesi’ndeki kendi S3 paketlerinde kalır; böylece depolama ve erişim, müşterinin belirlediği izinler ve konum sınırları içinde tutulur.
Cisco şirketi Splunk, Agent Observability ürünü için değerlendirme modelleri geliştirirken sentetik veri üretiminden yararlandı. Splunk Agent Observability mühendislik direktörü Yash Sheth, araçların modellerinin dayandığı örüntüleri korurken istatistiksel açıdan temsili veri kümelerini hızla ürettiğini ve SageMaker entegrasyonunun veri bilimcileri ile müşterileri için veri düzenleme işini azalttığını söyledi.
Geliştiriciler açısından operasyonel değişiklik, veri üretimi, denetimi ve düzeltme adımlarının model geliştirme sürecine tek bir yönetilen veri kümesi yolu üzerinden bağlanabilmesi. AWS, bu otomasyonu incelenebilir çıktılar, onay istekleri ve müşterinin kendi S3 kayıtlarıyla birleştirdi; böylece verilerin nasıl üretileceği üzerindeki kontrol, hazırlık iş akışının bir parçası olmaya devam ediyor.












