AWS с помощью автоматизированного обучения с подкреплением снизила порог входа для кастомизации ИИ

Amazon Web Services (AWS) выпустила новые функции, направленные на повышение эффективности моделей искусственного интеллекта (AI) и снижение затрат на обучение. В их основе лежит опция детализированной настройки на основе обучения с подкреплением — «RFT», а также функция кастомизации без серверной инфраструктуры. Эти возможности призваны позволить разработчикам улучшать AI-модели под нужды пользователей, обладая минимальными знаниями в области машинного обучения.

3-го числа AWS объявила о внедрении соответствующих функций в Amazon Bedrock и SageMaker AI на ежегодной конференции «AWS re:Invent 2025» в Лас-Вегасе (местное время). Amazon Bedrock — это платформа для создания генеративных AI-функций на основе «базовых моделей» ведущих AI-компаний. Обновление RFT открывает предприятиям путь к оптимизации AI-агентов без необходимости развёртывания мощной инфраструктуры для машинного обучения.

Компании обычно используют наиболее производительные большие языковые модели (LLM) для AI-агентов, что требует чрезмерных вычислительных ресурсов. Даже при выполнении повторяющихся задач, таких как подтверждение календаря или поиск документов, возникает проблема неэффективного расхода ресурсов. AWS считает, что новая функция кастомизации на основе обучения с подкреплением может решить эти проблемы. Проще говоря, это архитектура, обеспечивающая достаточную эффективность при меньших вычислительных затратах.

Ранее внедрение обучения с подкреплением сопровождалось высокими техническими барьерами. Необходимость подготовки обучающих данных, сбора обратной связи, создания высокопроизводительной вычислительной инфраструктуры занимала месяцы. Однако функция RFT в Amazon Bedrock позволяет разработчикам выбрать нужную модель, загрузить записи пользовательских взаимодействий или обучающие данные, после чего указать функцию награды — и процесс настройки будет происходить автоматически. AWS пояснила, что этот процесс не требует специалистов по машинному обучению, достаточно лишь понимания, каким должен быть желаемый результат.

На начальном этапе функция будет эксклюзивно поддерживать собственную модель Amazon — Nova 2 Lite, но в будущем планируется расширение на десятки других моделей. Аналогичные возможности появятся и в Amazon SageMaker AI в формате серверлесс. SageMaker — это платформа для проектирования и развертывания собственных AI-моделей предприятиями, ожидается, что она предложит более интегрированную среду для внедрения опций обучения с подкреплением.

В «агентном» режиме пользователь формулирует запрос на естественном языке, и AI-агент сопровождает его на всех этапах — от генерации данных до оценки модели. Одновременно для продвинутых разработчиков доступен самостоятельный режим, что расширяет спектр возможностей. AWS отмечает, что данная функция поддерживает обучение по обратной связи, проверяемое обучение на основе награды, дообучение с учителем и другие технологии обучения с подкреплением. Она совместима не только с Nova, но и с Llama, Qwen, DeepSeek, GPT-OSS и другими моделями.

Одновременно AWS объявила о внедрении функции «обучение без чекпойнтов» в SageMaker HyperPod. Если раньше при ошибке в процессе обучения восстановление занимало десятки минут, теперь восстановить состояние можно за считаные минуты без участия клиента. Это стало возможным благодаря сохранению состояния модели в реальном времени во всём кластере.

Кроме того, AWS портировала открытый фреймворк для AI-агентов «Strands Agents» на язык TypeScript, который отличается большей стабильностью и меньшей вероятностью ошибок по сравнению с JavaScript, что, как ожидается, обеспечит более стабильную среду для разработки агентов.

Этот релиз совпал с тенденцией ужесточения конкуренции на рынке генеративного AI, где конкуренты также усиливают кастомизацию. Google (GOOGL), Microsoft (MSFT) и другие ускоряют запуск аналогичных функций, поэтому ожидается, что среда, где пользователи смогут самостоятельно и просто создавать оптимальные AI-модели, будет стремительно развиваться. Такая технологическая эволюция, по всей видимости, станет катализатором для более глубокой интеграции AI в реальные бизнес-процессы.