AWS inafafanua muundo mpya wa SageMaker SDK v3 kwa mafunzo maalum ya kielelezo cha AI na uwekaji

Nini kilitokea

AWS ilichapisha mwongozo wa kiufundi wa SageMaker Python SDK v3, ambayo inachukua nafasi ya madarasa kadhaa ya mafunzo na uwekaji wa mfumo mahususi kwa kiolesura kilichounganishwa cha ModelTrainer na ModelBuilder. Chapisho linaonyesha uwekaji wa msimbo wa chanzo wa ndani kwenye picha za makontena, kazi za mafunzo zinazodhibitiwa, mwisho wa wakati halisi, urekebishaji mzuri wa Stable Diffusion na ushughulikiaji wa siri kupitia Meneja wa Siri wa AWS.

Katika chapisho la tarehe 26 Agosti 2026, AWS inafafanua SageMaker Python SDK v3 kama muundo upya wa utendakazi wa awali wa hali ya hati. Kulingana na AWS, v3 inachukua nafasi ya madarasa ya wakadiriaji mahususi kwa mfumo kama vile SKLearn, PyTorch na XGBoost na ModelTrainer moja ya kuzindua kazi za mafunzo. Pia hubadilisha muundo wa awali wa Model na Predictor na ModelBuilder ya upakiaji na kupeleka miundo. Chapisho linaonyesha hii kama kiolesura cha kawaida katika mizigo mbalimbali ya kazi badala ya kama muundo mpya au kanuni mpya ya mafunzo.

Chanzo ni maelezo ya kiufundi yaliyoandikwa na AWS, kwa hivyo uwezo wa bidhaa na manufaa yaliyoelezwa hapa ni madai ya AWS. Kipengele kikuu ni kitu cha usanidi wa SourceCode. Wasanidi programu hutoa saraka ya chanzo cha ndani na ama amri ya mafunzo au hati ya kuingiza inference. AWS inasema SageMaker husawazisha saraka hiyo kwenye kontena iliyochaguliwa kazi inapoanza, ikiruhusu timu kubadilisha mafunzo au msimbo wa uelekezaji bila kuunda upya picha ya kontena. Chombo kinaweza kuwa picha iliyoundwa na mteja katika Usajili wa Kontena Elastiki wa Amazon, Chombo cha Kujifunza Kina cha AWS au picha ya mtu mwingine.

Mwelekeo unasema hii inahifadhi udhibiti wa vifurushi vya mfumo, maktaba za CUDA na matoleo ya wakati wa utekelezaji huku ikiwasilisha kiolesura kimoja cha mizigo ya kazi ambayo ni pamoja na scikit-learn, PyTorch, Stable Diffusion na jozi maalum za maelekezo za C++. Mfano wa kwanza hufunza mwanafunzi wa darasa la Random Forest kwenye mkusanyiko wa data wa kisukari na kuupeleka hadi mwisho wa wakati halisi kwa kutumia DJL Serving. Mfano unatumia mfano mmoja wa ml.m5.2xlarge, mpangilio wa saa moja wa bwawa la joto na Amazon S3 kwa vipengee vya mfano. Mfano wa pili unaboresha Stable Diffusion 3.5 Wastani kwa kutumia LoRA kwenye mkusanyiko maalum wa data wa picha-na-nukuu.

AWS inasema kuwa hutumia Hugging Face Kuongeza Kasi kwa mafunzo yaliyosambazwa kwenye GPU nne za A10G kwa mfano mmoja wa ml.g5.12xlarge, kisha kusambaza uzani unaopatikana hadi mwisho wa wakati halisi. Chapisho pia linaonyesha usanidi kulingana na mapishi, chaneli za uingizaji zinazoweza kugeuzwa kukufaa, ufuatiliaji wa hiari wa MLflow na urejeshaji wa siri kupitia Kidhibiti cha Siri cha AWS.

Maelezo ya chanzo: aws.amazon.com ↗

Kwa nini ni muhimu

Mabadiliko yanaweza kupunguza uundaji upya wa kontena na usanidi mahususi wa mfumo kwa timu zinazoendesha mzigo maalum wa AI kwenye SageMaker. Pia inaonyesha muundo wa kawaida wa uzalishaji: kuweka msimbo wa kielelezo na mazingira ya wakati wa utekelezaji tofauti huku ukitumia miundombinu inayodhibitiwa kwa mafunzo, vizalia vya programu na makisio. Chanzo hakitoi utendakazi huru, gharama au ulinganisho wa upatikanaji.

Kwa timu za AI, mabadiliko ya vitendo zaidi yaliyofafanuliwa ni utenganisho wa miundombinu inayoweza kutumika ya wakati wa kukimbia kutoka kwa msimbo wa mfano unaobadilika mara kwa mara. Chombo kinaweza kushikilia vifurushi vya mfumo wa uendeshaji, maktaba na vitegemezi mahususi vya maunzi, huku msimbo wa chanzo, hati za kizindua na faili za usanidi hutolewa wakati wa uzinduzi wa kazi. Ikiwa utekelezaji wa AWS utafanya kazi kama ilivyoelezwa, hii inaweza kufupisha kitanzi cha kurudia majaribio na masasisho ya miundo kwa sababu mabadiliko ya msimbo hauhitaji kiotomatiki uundaji na usukuma wa kontena jipya. Manufaa hayo yanafanya kazi badala ya kufuata kanuni za algoriti: huathiri jinsi timu zinavyounda, kujaribu na kudumisha mifumo ya AI kwenye miundombinu ya wingu inayodhibitiwa.

API iliyounganishwa inaweza pia kupunguza idadi ya dhana za SageMaker ambazo wasanidi programu wanahitaji kujifunza wanaposonga kati ya kujifunza kwa mashine ya kawaida na AI ya uzalishaji. Mchoro sawa wa ModelTrainer na ModelBuilder unaonyeshwa kwa kiainishaji cha jedwali chenye msingi wa CPU na kazi ya kurekebisha upanuzi wa GPU nyingi. AWS inafafanua zaidi ModelBuilder kuwa na uwezo wa kupakia vishikilizi vya makisio na vitendea kazi vya mfano na, katika baadhi ya matukio, kuchagua vyombo, kunasa vitegemezi au kuzalisha msimbo wa ufuataji. Uwezo huu unaweza kufanya mabomba ya kusambaza yafanane zaidi, lakini chanzo hakithibitishi kwamba kila mfumo, seva ya modeli au mfumo wa binary maalum hupokea usaidizi au tabia inayofanana.

Mapitio yanaangazia vidhibiti ambavyo ni muhimu katika uzalishaji. Matokeo ya mafunzo yameandikwa kwa Amazon S3, faili za muundo huwekwa kwa ajili ya kupelekwa, na vidhibiti vya uelekezaji vinatarajiwa kupakia muundo mara moja badala ya kuipakia upya kwa kila ombi. Mfano pia unapendekeza uthibitishaji wa aina za maudhui ya ombi na kutumia Kidhibiti cha Siri kwa tokeni nyeti badala ya kuziweka kwenye daftari au vigeu vya mazingira vya maandishi wazi. Mazoea hayo yanaweza kuboresha kujirudia na kupunguza udhihirisho unaoweza kuepukika, lakini yenyewe hayaonyeshi usalama kamili au mfumo wa utawala.

Chapisho haliripoti majaribio ya kujitegemea, muda wa kusubiri uliopimwa, punguzo la gharama, utegemezi wa mwisho au mabadiliko ya ubora katika miundo iliyofunzwa.

Nini cha kutazama baadaye

Timu zinazotathmini SDK zinapaswa kuthibitisha juhudi za uhamiaji, mifumo inayotumika na michanganyiko ya huduma, upatikanaji wa kikanda, vikomo vya huduma, ruhusa za usalama na jumla ya gharama. Wanapaswa pia kupima kama kudunga msimbo wa wakati wa kutekelezwa, madimbwi ya joto, mafunzo ya GPU nyingi na urejeshaji wa siri unalingana na mahitaji yao ya kusambaza na kufuata.

Swali la kwanza kwa watumiaji ni upeo wa uhamiaji. AWS inafafanua mabadiliko kutoka kwa madarasa ya wakadiriaji wa SDK v2 na muundo wa Model/Predictor hadi ModelTrainer na ModelBuilder, lakini chapisho haliorodheshi kila kigezo kisichooana, kipengele kilichoacha kutumika au pango la uhamaji. Timu zilizo na mabomba ya SageMaker zilizopo zinapaswa kujaribu maeneo maalum ya kuingilia, usakinishaji tegemezi, kumbukumbu za miundo, vidhibiti vya makisio na viunganishi vya ufuatiliaji kabla ya kuchukulia kiolesura kipya kama kibadilisho cha kunjuzi.

Wanapaswa pia kudhibitisha ni saa zipi za utekelezaji zinazounga mkono umbizo lao la modeli na ombi la itifaki. Gharama na uwezo ni suala lingine lililo wazi. Mifano hutumia mafunzo yanayodhibitiwa na mwisho wa wakati halisi, madimbwi ya joto, hifadhi ya S3, sajili za makontena na, kwa Stable Diffusion, GPU nne. Nyenzo hizo zinaweza kuunda gharama zinazojirudia, na chanzo hakitoi makadirio ya bei, data ya matumizi au kulinganisha na mbinu zingine za utumaji.

AWS huelekeza wasomaji mahususi kufuta sehemu za mwisho, usanidi wa ncha, miundo, vizalia vya S3, picha za ECR na rasilimali za hiari za MLflow baada ya majaribio. Mwongozo huo wa usafishaji unaashiria kwamba mifano hiyo ni utiririshaji wa kazi wa wingu, si maonyesho ya ndani bila gharama. Maelezo ya usalama na kutegemewa yanastahili kuchunguzwa kabla ya matumizi ya uzalishaji. Chanzo kinasema jukumu la utekelezaji au mtumiaji anahitaji ruhusa za SageMaker na S3, na kwamba wakuu wa mafunzo au ujumuishaji unaoendelea wanahitaji ruhusa ya kusoma siri kutoka kwa Kidhibiti cha Siri.

Mashirika yanapaswa kukagua ruhusa hizo, kutenga majukumu ya mafunzo na huduma, kudhibiti ni msimbo gani unaosawazishwa katika vyombo na kubainisha jinsi kumbukumbu hushughulikia hitilafu au data nyeti. Wanapaswa pia kujaribu kuanza kwa baridi, tabia ya bwawa la joto, kuongeza alama za mwisho, upakiaji wa modeli na urejeshaji wa kutofaulu. Chapisho halisemi upatikanaji wa eneo, nafasi za huduma, hali rasmi ya usaidizi, matokeo huru ya kipimo au kama hazina za mfano zitasalia kulandanishwa na matoleo ya baadaye ya SDK.

Miongozo & maswali yanayohusiana