AWS ዝርዝሮች SageMaker SDK v3 ለብጁ AI ሞዴል ስልጠና እና ማሰማራት እንደገና ዲዛይን ማድረግ

ምን ተፈጠረ

AWS የSageMaker Python SDK v3 ቴክኒካል የእግር ጉዞ አሳትሟል፣ ይህም በርካታ ማዕቀፍ-ተኮር ስልጠናዎችን እና የማሰማራት ክፍሎችን በተዋሃደ የሞዴል አሰልጣኝ እና የሞዴል ገንቢ በይነገጽ ይተካል። ልጥፉ በኮንቴይነር ምስሎች፣ የሚተዳደሩ የሥልጠና ሥራዎች፣ የእውነተኛ ጊዜ የመጨረሻ ነጥቦች፣ የተከፋፈለ Stable Diffusion ጥሩ ማስተካከያ እና ሚስጥራዊ አያያዝን በAWS ሚስጥሮች አስተዳዳሪ በኩል የሩጫ ጊዜ መከተብን ያሳያል።

እ.ኤ.አ. ኦገስት 26 ቀን 2026 በለጠፈው ልጥፍ ላይ፣ AWS SageMaker Python SDK v3 የቀደመውን የስክሪፕት-ሞድ የስራ ፍሰት እንደ አዲስ ዲዛይን አድርጎ ገልጿል። እንደ AWS፣ v3 እንደ SKLearn፣ PyTorch እና XGBoost ያሉ ማዕቀፍ-ተኮር የግምት ክፍሎችን በአንድ ሞዴል አሰልጣኝ በመተካት የስልጠና ስራዎችን ለመጀመር። እንዲሁም ሞዴሎችን ለማሸግ እና ለማሰማራት የቀደመውን የሞዴል እና የፕረዲክተር ንድፍ በModelBuilder ይተካል። ልጥፉ ይህንን እንደ አዲስ ሞዴል ወይም አዲስ የሥልጠና ስልተ ቀመር ሳይሆን በተለያዩ የሥራ ጫናዎች ላይ እንደ የተለመደ በይነገጽ ያቀርባል።

ምንጩ በAWS የተጻፈ ቴክኒካዊ ማብራሪያ ነው, ስለዚህ እዚህ የተገለጹት የምርት ችሎታዎች እና ጥቅሞች የ AWS የይገባኛል ጥያቄዎች ናቸው. ማዕከላዊ ባህሪ የምንጭ ኮድ ውቅር ነገር ነው። ገንቢዎች የአካባቢ ምንጭ ማውጫ እና የስልጠና ትእዛዝ ወይም የመግቢያ ስክሪፕት ይሰጣሉ። AWS ይላል SageMaker ስራ ሲጀምር ያንን ማውጫ ወደ ተመረጠው ኮንቴይነር ያመሳስለዋል፣ ይህም ቡድኖች የመያዣውን ምስል እንደገና ሳይገነቡ የስልጠና ወይም የማጣቀሻ ኮድ እንዲቀይሩ ያስችላቸዋል። መያዣው በAmazon ላስቲክ ኮንቴይነር መዝገብ ቤት ፣ AWS ጥልቅ የመማሪያ ኮንቴይነር ወይም የሶስተኛ ወገን ምስል በደንበኛ የተሰራ ምስል ሊሆን ይችላል።

መራመጃው ይህ በስርዓት ፓኬጆች፣ CUDA ቤተ-መጻህፍት እና የአሂድ ጊዜ ስሪቶች ላይ ቁጥጥርን እንደሚጠብቅ እና ለስራ ጫናዎች አንድ በይነገጽ ሲያቀርብ scikit-learn፣ PyTorch፣ Stable Diffusion እና ብጁ C++ ኢንፈረንስ ሁለትዮሾች። የመጀመሪያው ምሳሌ scikit-Learn Random Forest ክላሲፋየር በስኳር ዳታ ስብስብ ላይ ያሠለጥናል እና DJL Servingን በመጠቀም ወደ እውነተኛ ጊዜ መጨረሻ ያሰማራል። ምሳሌው አንድ ml.m5.2xlarge ለምሳሌ፣ የአንድ ሰዓት ሙቅ ገንዳ መቼት እና Amazon S3 ለሞዴል ቅርሶች ይጠቀማል። ሁለተኛው ምሳሌ Stable Diffusion 3.5 Mediumን ከLoRA ጋር በብጁ የምስል-እና-የመግለጫ ፅሁፍ ዳታ ስብስብ ላይ በጥሩ ሁኔታ ያስተካክላል።

AWS በአንድ ml.g5.12xlarge ምሳሌ በአራት A10G ጂፒዩዎች ላይ ለተሰራጨ ስልጠና Hugging Face Accelerate እንደሚጠቀም ተናግሯል፣ከዚያም የተገኘውን ክብደቶች በእውነተኛ ጊዜ የመጨረሻ ነጥብ ላይ ያሰማራቸዋል። ልጥፉ በተጨማሪም በምግብ አዘገጃጀት ላይ የተመሰረተ ውቅር፣ ሊበጁ የሚችሉ የግቤት ሰርጦች፣ አማራጭ MLflow ክትትል እና በAWS ሚስጥሮች አስተዳዳሪ በኩል ሚስጥራዊ ሰርስሮ ያሳያል።

የምንጭ ዝርዝሮች: aws.amazon.com ↗

ለምን አስፈላጊ ነው።

ለውጡ በ SageMaker ላይ ብጁ AI የስራ ጫናዎችን ለሚሰሩ ቡድኖች የመያዣ መልሶ ግንባታዎችን እና ማዕቀፍ-ተኮር ውቅርን ሊቀንስ ይችላል። ለሥልጠና፣ ለቅርሶች እና ለግንባታ የሚተዳደሩ መሠረተ ልማቶችን በሚጠቀሙበት ጊዜ የሞዴል ኮድ እና የሩጫ ጊዜ አካባቢዎችን መለየት የተለመደ የምርት ዘይቤን ያሳያል። ምንጩ ራሱን የቻለ የአፈጻጸም፣ የወጪ ወይም የተገኝነት ንጽጽሮችን አያቀርብም።

ለ AI ቡድኖች፣ የተገለጸው በጣም ተግባራዊ ለውጥ በተደጋጋሚ ጥቅም ላይ ሊውል የሚችል የሩጫ ጊዜ መሠረተ ልማትን በተደጋጋሚ ከሚለዋወጠው የሞዴል ኮድ መለየት ነው። ኮንቴይነሩ የስርዓተ ክወና ፓኬጆችን፣ ቤተ-መጻሕፍትን እና ሃርድዌር-ተኮር ጥገኛዎችን ሊይዝ ይችላል፣ በምንጭ ኮድ፣ የማስጀመሪያ ስክሪፕቶች እና የማዋቀር ፋይሎች በስራ ጅምር ላይ ይቀርባሉ። የAWS አተገባበር እንደተገለጸው የሚሰራ ከሆነ፣ ይህ ለሙከራዎች እና ለሞዴል ማሻሻያ የሚሆን የድግግሞሽ ዑደት ሊያሳጥር ይችላል ምክንያቱም የኮድ ለውጥ አዲስ መያዣ መገንባት እና መግፋት አያስፈልገውም። ያ ጥቅማጥቅም ከአልጎሪዝም ይልቅ የሚሰራ ነው፡ ቡድኖች በሚተዳደር የደመና መሠረተ ልማት ላይ የ AI ስርዓቶችን እንዴት እንደሚያዳብሩ፣ እንደሚሞክሩ እና እንደሚጠብቁ ይነካል።

የተዋሃደው ኤፒአይ በተለመደው የማሽን መማሪያ እና በጄኔሬቲቭ AI መካከል ሲንቀሳቀሱ ገንቢዎች መማር ያለባቸውን የ SageMaker ፅንሰ ሀሳቦችን ቁጥር ሊቀንስ ይችላል። ተመሳሳዩ ModelTrainer እና ModelBuilder ጥለት በሲፒዩ ላይ ለተመሰረተ ታብላር ክላሲፋየር እና ባለብዙ ጂፒዩ ስርጭት ጥሩ ማስተካከያ ስራ ይታያል። AWS በተጨማሪ ModelBuilder የማጣቀሻ ተቆጣጣሪዎችን በሞዴል ቅርሶች ማሸግ እና በአንዳንድ አጋጣሚዎች ኮንቴይነሮችን መምረጥ፣ ጥገኞችን መያዝ ወይም የመለያ ኮድ ማመንጨት የሚችል መሆኑን ገልጿል። እነዚህ ችሎታዎች የማሰማራት ቧንቧዎችን የበለጠ ወጥነት ያለው ሊያደርጉ ይችላሉ፣ ነገር ግን ምንጩ እያንዳንዱ ማዕቀፍ፣ ሞዴል አገልጋይ ወይም ብጁ ሁለትዮሽ ተመሳሳይ ድጋፍ ወይም ባህሪ እንደሚቀበል አላረጋገጠም።

መራመዱ በምርት ውስጥ አስፈላጊ የሆኑ ቁጥጥሮችን ያሳያል። የሥልጠና ውጤቶች ለAmazon S3 ተጽፈዋል፣ የሞዴል ፋይሎች ለመሰማራት የታሸጉ ናቸው፣ እና የማጣቀሻ ተቆጣጣሪዎች ለእያንዳንዱ ጥያቄ እንደገና ከመጫን ይልቅ አንድ ጊዜ እንዲጭኑ ይጠበቃሉ። ምሳሌው የጥያቄ ይዘት ዓይነቶችን ማረጋገጥ እና ሚስጥሮችን አስተዳዳሪን ለስሜታዊ ምልክቶች በማስታወሻ ደብተሮች ወይም በቀላል የጽሑፍ አካባቢ ተለዋዋጮች ውስጥ ከማስቀመጥ ይልቅ ይመክራል። እነዚያ ልምምዶች ተደጋጋሚነትን ሊያሻሽሉ እና ሊወገዱ የሚችሉትን ተጋላጭነት ሊቀንስ ይችላል፣ ነገር ግን በራሳቸው የተሟላ የደህንነት ወይም የአስተዳደር ስርዓት አያሳዩም።

ልጥፉ ገለልተኛ ሙከራን፣ የሚለካ መዘግየትን፣ የወጪ ቅነሳን፣ የመጨረሻ ነጥብ አስተማማኝነትን ወይም በሰለጠኑ ሞዴሎች ላይ የጥራት ለውጦችን አያሳውቅም።

ቀጥሎ ምን እንደሚታይ

ኤስዲኬን የሚገመግሙ ቡድኖች የፍልሰት ጥረትን፣ የሚደገፉ ማዕቀፎችን እና የአገልግሎት ቅንጅቶችን፣ ክልላዊ ተገኝነትን፣ የአገልግሎት ገደቦችን፣ የደህንነት ፈቃዶችን እና አጠቃላይ ወጪን ማረጋገጥ አለባቸው። እንዲሁም የሩጫ ኮድ መርፌ፣ ሙቅ ገንዳዎች፣ የባለብዙ ጂፒዩ ስልጠና እና ሚስጥራዊ ሰርስሮ ማውጣት ከራሳቸው የማሰማራት እና የተገዢነት መስፈርቶች ጋር የሚስማሙ መሆን አለመሆናቸውን መሞከር አለባቸው።

ለአሳዳጊዎች የመጀመሪያው ጥያቄ የስደት ወሰን ነው። AWS ከኤስዲኬ v2 ግምታዊ ክፍሎች እና የሞዴል/ፕሬዲክተር ጥለት ወደ ModelTrainer እና ModelBuilder ሽግግርን ይገልጻል፣ ነገር ግን ልጥፉ እያንዳንዱን ተኳሃኝ ያልሆነ ግቤት፣ የተቋረጠ ባህሪ ወይም የፍልሰት ማስጠንቀቂያ አይዘረዝርም። አዲሱን በይነገጽ እንደ ተቆልቋይ መተኪያ ከመመልከታቸው በፊት ነባር የ SageMaker ቧንቧ መስመር ያላቸው ቡድኖች ብጁ የመግቢያ ነጥቦችን፣ የጥገኝነት ተከላን፣ የሞዴል መዛግብትን፣ የማጣቀሻ ተቆጣጣሪዎችን እና የክትትል ውህደቶችን መሞከር አለባቸው።

እንዲሁም የትኛዎቹ የአገልግሎት ጊዜዎች የእነሱን ሞዴል ቅርፀት እና የጥያቄ ፕሮቶኮላቸውን እንደሚደግፉ ማረጋገጥ አለባቸው። ወጪ እና አቅም ሌላው ክፍት ጉዳይ ነው። ምሳሌዎቹ የሚተዳደር ስልጠና እና ቅጽበታዊ የመጨረሻ ነጥቦችን፣ ሙቅ ገንዳዎችን፣ S3 ማከማቻን፣ የመያዣ መዝገብ ቤቶችን እና፣ ለStable Diffusion፣ አራት ጂፒዩዎችን ይጠቀማሉ። እነዚያ ሀብቶች ተደጋጋሚ ክፍያዎችን ሊፈጥሩ ይችላሉ፣ እና ምንጩ ምንም የዋጋ ግምት፣ የአጠቃቀም መረጃ ወይም ከሌሎች የማሰማራት አቀራረቦች ጋር ንፅፅር አይሰጥም።

AWS በተለይ አንባቢዎች የመጨረሻ ነጥቦችን ፣ የመጨረሻ ነጥብ ውቅሮችን ፣ ሞዴሎችን ፣ S3 ቅርሶችን ፣ ECR ምስሎችን እና አማራጭ የ MLflow ሀብቶችን እንዲሰርዙ ያዛል። ያ የጽዳት መመሪያ ምሳሌዎቹ የሚሰሩ የደመና የስራ ፍሰቶች እንጂ ወጪ-ነጻ የሀገር ውስጥ ማሳያዎች እንዳልሆኑ ያሳያል። የደህንነት እና አስተማማኝነት ዝርዝሮች ከምርት አጠቃቀም በፊት መመርመር አለባቸው። ምንጩ አንድ የማስፈጸሚያ ሚና ወይም ተጠቃሚ SageMaker እና S3 ፈቃዶችን ይፈልጋል፣ እና ስልጠና ወይም ቀጣይነት ያለው ውህደት ርእሰ መምህራን ከሚስጥር አስተዳዳሪ ሚስጥሮችን ለማንበብ ፍቃድ ያስፈልጋቸዋል ይላል።

ድርጅቶች እነዚያን ፈቃዶች መከለስ፣ የስልጠና እና የማገልገል ሚናዎችን መለየት፣ ምን ኮድ ወደ ኮንቴይነሮች እንደሚመሳሰል መቆጣጠር እና ምዝግብ ማስታወሻዎች ስህተቶችን ወይም ሚስጥራዊ መረጃዎችን እንዴት እንደሚይዙ መወሰን አለባቸው። እንዲሁም የቀዝቃዛ ጅምርን ፣የሙቅ ገንዳ ባህሪን ፣የመጨረሻ ነጥብን ማመጣጠን ፣ሞዴል መጫን እና አለመሳካትን መፈተሽ አለባቸው። ልጥፉ የክልል ተገኝነትን፣ የአገልግሎት ኮታዎችን፣ መደበኛ የድጋፍ ሁኔታን፣ ገለልተኛ ቤንችማርክ ውጤቶችን ወይም የምሳሌ ማከማቻዎች ከወደፊት የኤስዲኬ ልቀቶች ጋር እንደተመሳሰሉ ይቆያሉ የሚለውን አይገልጽም።

ተዛማጅ መመሪያዎች እና ጥያቄዎች