Nouvelles façons de personnaliser des modèles avec SageMaker AI, sans gérer de GPU
Amazon Web Services annonce la disponibilité générale des « training sessions » pour SageMaker AI, qui étendent son offre de personnalisation de modèles sans serveur. Le principe : le développeur écrit et orchestre lui-même la boucle de post-entraînement, avec ses fonctions de perte personnalisées ou ses signaux de récompense, tandis que SageMaker AI prend en charge l'allocation des GPU, l'exécution distribuée, la reprise sur panne et le stockage des points de contrôle. Il n'y a ni type d'instance à choisir, ni cluster à gérer, ni configuration d'entraînement distribué à rédiger. La plateforme couvre de nombreuses techniques (SFT, DPO, RLVR, RLAIF, apprentissage par renforcement multi-tours), avec le choix entre adaptation LoRA et réglage complet, et la possibilité d'enchaîner les méthodes en personnalisation continue. AWS fournit aussi un « cookbook » d'exemples et des compétences d'agent dédiées : l'utilisateur décrit son cas d'usage et l'agent s'occupe de la préparation des données, du choix de la technique, de l'entraînement, de l'évaluation et du déploiement, depuis SageMaker Studio, Kiro, Claude Code, Codex ou GitHub Copilot.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
L'enjeu est de rendre accessible un travail aujourd'hui réservé aux équipes capables de gérer une infrastructure GPU complexe. Un modèle entraîné sur le contexte métier, le catalogue produit ou le vocabulaire clinique d'une entreprise est plus précis sur sa tâche et moins coûteux à exécuter qu'un modèle généraliste utilisé tel quel. Pour les agents, la difficulté est plus grande encore : l'apprentissage par renforcement multi-tours, nécessaire pour un agent qui réserve un voyage, trie des tickets de support ou mène une recherche en plusieurs étapes, mobilise des ressources distinctes pour l'entraînement, la génération de réponses et leur notation. Relier ces briques entre plusieurs outils et clusters représente une charge importante. AWS proposait déjà le renforcement multi-tours en technique gérée, mais des clients voulaient définir leurs propres pertes, façonner leurs récompenses ou regrouper plusieurs étapes dans une même boucle, ce que permettent désormais les training sessions.
Deux clients témoignent. Rob Gontarek, vice-président senior de la data science chez ImagineSoftware, a utilisé le service pour un modèle de triage des refus de remboursement en santé, en soulignant le contrôle direct sur les passes avant et arrière, l'échantillonnage et l'étape d'optimisation. Nitin Wagh, PDG de Karini AI, a affiné gpt-oss-20b pour des appels d'outils multi-tours sur un graphe de connaissances Amazon Neptune, saluant une configuration sans réglage manuel ni problème de mémoire, et une reprise à l'étape exacte jugée fiable. Ce lancement s'inscrit dans la tendance de fond qui voit les entreprises adapter des modèles à poids ouverts par post-entraînement plutôt que de s'en tenir aux modèles de fondation génériques, et dans la concurrence entre fournisseurs de cloud pour simplifier cette personnalisation, en particulier pour les agents.
Pas d'impact direct sur la France/UE