AWS за допомогою автоматизованого навчання з підкріпленням знизила поріг входу для кастомізації ШІ

Amazon Web Services (AWS) випустила нові функції, спрямовані на підвищення ефективності моделей штучного інтелекту (AI) та зниження витрат на навчання. Основою цих нововведень є опція тонкого налаштування на основі навчання з підкріпленням “RFT”, а також серверлес-функції для кастомізації. Ці функції мають дозволити розробникам покращувати AI-моделі під потреби користувачів, навіть за мінімальних знань у сфері машинного навчання.

AWS оголосила про це 3-го числа (за місцевим часом) на щорічній конференції “AWS re:Invent 2025” у Лас-Вегасі, повідомивши, що відповідні функції будуть застосовані в Amazon Bedrock та SageMaker AI. Amazon Bedrock — це платформа для створення генеративних AI-функцій на основі “базових моделей” провідних AI-компаній; останнє оновлення RFT відкриває нові можливості для оптимізації AI-агентів підприємствами без необхідності у потужній ML-інфраструктурі.

Підприємства зазвичай використовують найпродуктивніші великі мовні моделі (LLM) для роботи AI-агентів, що веде до надмірних вимог до обчислювальних ресурсів. Навіть під час виконання рутинних завдань, як-от підтвердження календаря чи пошук документів, виникає неефективне перевикористання ресурсів. AWS вважає, що нова функція кастомізації на основі навчання з підкріпленням вирішить ці проблеми. Грубо кажучи, це структура, яка забезпечує достатню ефективність за меншої кількості обчислень.

Раніше впровадження навчання з підкріпленням супроводжувалося значними технічними бар’єрами: підготовка даних для тренування, збір відгуків, побудова високопродуктивної інфраструктури займали місяці. Але функція RFT на Amazon Bedrock дозволяє розробнику вибрати потрібну модель, завантажити логі користувача або тренувальні дані, вказати функцію винагороди — і налаштування моделі виконується автоматично. AWS пояснює, що цей процес не потребує фахівця з машинного навчання, достатньо лише загального уявлення про бажаний результат.

Спочатку функція буде ексклюзивно підтримувати власну модель Amazon Nova 2 Lite, але у майбутньому її планують розширити на десятки моделей. Подібні серверлес-функції також з’являться у Amazon SageMaker AI. SageMaker — це платформа для створення й розгортання корпоративних AI-моделей; очікується, що вона запропонує більш зручне середовище для інтеграції опцій навчання з підкріпленням у вигляді “агентного” режиму.

У режимі “агентності” користувач вводить запит природною мовою, а AI-агент супроводжує весь процес — від генерації даних до оцінки моделі. Водночас для просунутих розробників доступний самостійний режим, що розширює вибір. AWS зазначає, що ця функція підтримує навчання за відгуками, верифіковане навчання на основі винагороди, тонке налаштування за допомогою супервізованого навчання та інші технології навчання з підкріпленням. Функція сумісна не лише з Nova, але й з Llama, Qwen, DeepSeek, GPT-OSS та іншими моделями.

Також AWS анонсувала впровадження функції “безчекпойнтного навчання” у SageMaker HyperPod. Якщо раніше відновлення після помилки під час тренування займало десятки хвилин, то тепер стан моделі можна відновити за декілька хвилин без втручання клієнта. Це досягається завдяки збереженню стану моделі усього кластера у режимі реального часу.

Крім того, AWS перенесла відкритий AI-агентний фреймворк “Strands Agents” на мову TypeScript. Ця мова стабільніша і менш схильна до помилок, ніж JavaScript, тож очікується, що вона забезпечить більш стабільне середовище для розробки агентів.

Цей реліз співпадає з трендом на посилення кастомізації у сфері генеративного AI. Google (GOOGL), Microsoft (MSFT) та інші компанії також прискорюють запуск подібних функцій. Очікується, що середовище, у якому користувачі зможуть легко створювати оптимальні AI-моделі самостійно, розвиватиметься ще швидше. Така технологічна еволюція, ймовірно, стане каталізатором для глибшої інтеграції AI у реальний корпоративний світ.