Generatived (Beta) | Cung cấp tin tức và xu hướng mới nhất về AI sáng tạo

Amazon Web Services (AWS) đã công bố 5 tính năng mới trong Amazon SageMaker nhằm đẩy nhanh quá trình xây dựng, đào tạo và triển khai các mô hình ngôn ngữ cũng như các mô hình nền tảng khác trên quy mô lớn. Những tiến bộ này được thiết kế để giúp các tổ chức phát triển và triển khai các mô hình học máy dễ dàng và nhanh chóng hơn cho nhiều trường hợp sử dụng AI tổng quát khác nhau. Các tính năng mới bao gồm khả năng giảm thời gian đào tạo mô hình, tối ưu hóa hoạt động của cơ sở hạ tầng máy học được quản lý và SageMaker Clarify để giúp chọn mô hình dựa trên các thông số chất lượng. AWS cũng đang giới thiệu các tính năng không cần mã cho SageMaker Canvas giúp việc chuẩn bị dữ liệu trở nên dễ dàng hơn bằng cách sử dụng các hướng dẫn ngôn ngữ tự nhiên.

Sự gia tăng của các mô hình chứa hàng tỷ tham số đang được thúc đẩy bởi những tiến bộ trong học máy, khả năng tính toán có thể mở rộng và sự gia tăng nhanh chóng của dữ liệu. Những mô hình này có thể thực hiện nhiều nhiệm vụ khác nhau, từ viết bài đăng trên blog đến trả lời câu hỏi dựa trên tài liệu. SageMaker được hàng chục nghìn khách hàng sử dụng, bao gồm 3M, AstraZeneca, Ferrari và LG AI Research, thực hiện hơn 1,5 nghìn tỷ yêu cầu suy luận mỗi tháng. Các khách hàng như AI21 Labs, Stability AI và Technology Innovation Institute cho biết họ sử dụng SageMaker để đào tạo các mô hình có tới hàng tỷ tham số.

Khi AI có động lực phát triển, nhiều ứng dụng mới sẽ dựa vào các mô hình. Tuy nhiên, hầu hết các tổ chức đều gặp khó khăn trong việc điều chỉnh cơ sở hạ tầng của mình để đáp ứng nhu cầu của những mô hình mới này. SageMaker đã bổ sung hai tính năng mới để giảm bớt gánh nặng đào tạo và triển khai các mô hình trên quy mô lớn. SageMaker HyperPod tăng tốc quá trình đào tạo mô hình và giảm thời gian đào tạo tới 40%. Được cấu hình sẵn với thư viện đào tạo phân tán của SageMaker, khách hàng có thể tự động phân chia khối lượng công việc đào tạo của mình cho hàng nghìn máy gia tốc. Suy luận SageMaker giảm chi phí và độ trễ khi triển khai mô hình, cho phép khách hàng triển khai nhiều mô hình trên cùng một phiên bản và tận dụng tốt hơn các bộ tăng tốc cơ bản.

Khách hàng có nhiều lựa chọn khi chọn mô hình để hỗ trợ các ứng dụng AI tổng hợp của mình. SageMaker Clear hiện cho phép khách hàng đánh giá, so sánh và chọn mô hình tốt nhất cho trường hợp sử dụng cụ thể của họ dựa trên các thông số đã chọn. Các tính năng mới trong SageMaker Clarify cho phép khách hàng dễ dàng gửi mô hình của riêng mình để đánh giá hoặc chọn mô hình thông qua SageMaker JumpStart. Amazon SageMaker Canvas cho phép khách hàng xây dựng các mô hình machine learning và tạo dự đoán mà không cần viết một dòng mã nào. Giao diện trực quan của SageMaker Canvas giúp những người không có chuyên môn về máy học dễ dàng chuẩn bị dữ liệu của riêng mình.