Amazon SageMaker AI stawia na agentów: Szybsze dostrajanie modeli Llama, Qwen i DeepSeek

Dostrajanie wielkich modeli językowych (LLM) przestaje być domeną inżynierów spędzających godziny nad optymalizacją skryptów treningowych i formatowaniem danych. Amazon Web Services (AWS) ogłosił integrację agentycznych przepływów pracy w ramach platformy SageMaker AI, co radykalnie upraszcza proces adaptacji modeli do specyficznych potrzeb biznesowych. Zamiast manualnej obsługi wielu fragmentów API, programiści mogą teraz instruować system za pomocą języka naturalnego, opisując cel projektu i oczekiwane rezultaty.

Automatyzacja pod kontrolą inżyniera

Kluczem do nowej funkcjonalności jest agent AI o nazwie Kiro, zintegrowany bezpośrednio ze środowiskiem programistycznym. System ten potrafi samodzielnie zarekomendować najskuteczniejszą strategię uczenia, przygotować zbiory danych oraz wygenerować gotowy do uruchomienia kod w formie notatników Jupyter. Co istotne, AWS nie zamyka użytkowników w złotej klatce – generowany kod jest w pełni edytowalny, a deweloperzy mają swobodę wyboru narzędzi, mogąc zastąpić rozwiązanie natywne zewnętrznymi agentami, takimi jak Claude Code.

Szerokie wsparcie dla ekosystemu open-source

Nowe narzędzia nie ograniczają się jedynie do autorskiej rodziny modeli Nova. SageMaker AI staje się uniwersalnym hubem, wspierającym najpopularniejsze obecnie fundamenty technologiczne, w tym modele Llama od Meta, chińskie Qwen i DeepSeek. Architektura rozwiązania bazuje na dziewięciu predefiniowanych „umiejętnościach” (skills), które automatyzują pełny cykl życia modelu: od rygorystycznej walidacji zbioru danych (datasetu), przez proces treningowy, aż po finalne wdrożenie w środowisku produkcyjnym.

Krytycznym aspektem tej innowacji jest odejście od sztywnych szablonów na rzecz elastycznego workflow. Choć automatyzacja obiecuje skrócenie czasu pracy o rzędy wielkości, Amazon kładzie nacisk na przejrzystość procesów. Dostarczane przez agenta wyniki nie są czarną skrzynką, lecz udokumentowanym procesem, który inżynierowie mogą audytować i powielać w innych projektach, co stanowi istotną wartość w kontekście budowania powtarzalnych systemów AI w przedsiębiorstwach.