Amazon SageMaker IA ofrece una nueva experiencia orientada por agentes que permite a los desarrolladores describir un caso de uso en lenguaje natural y delegar en un agente de codificación la orquestación del flujo de personalización del modelo. El agente genera notebooks y artefactos reutilizables, además de código completamente editable, de modo que los equipos pueden incorporar los resultados al flujo de trabajo existente sin empezar desde cero.
El eje de la novedad son los 'agent skills': conjuntos modulares de instrucciones y conocimientos de ciencia de datos que se activan según la tarea. Estos skills automatizan pasos concretos del pipeline, desde la transformación de datos a formatos específicos hasta la evaluación y el despliegue, y están diseñados para codificar buenas prácticas repetibles dentro de la plataforma.
En cuanto a técnica, los skills soportan varios enfoques de fine‑tuning — incluyendo Supervised Fine‑Tuning (SFT), Direct Preference Optimization (DPO) y Reinforcement Learning Verifiable Rewards (RLVR)— y pueden evaluar modelos con métricas estilo LLM‑as‑a‑Judge. Para producción, los agents preparan artefactos listos para desplegar en Amazon Bedrock o en endpoints de SageMaker IA, según lo requiera el equipo.
Dentro de SageMaker IA Studio JupyterLab, Kiro-el agente de desarrollo de Amazon — viene preconfigurado en el panel de chat para completado de código, depuración e interacción. Además, es posible conectar agentes compatibles con Agent Communication Protocol (ACP), como Claude Code; cuando se usan en JupyterLab, esos agentes reciben el mismo contexto de skills. El entorno también admite acceso remoto a IDEs fuera de JupyterLab para facilitar integración con flujos de trabajo ya establecidos.
La importancia práctica radica en que muchas organizaciones parten de los mismos foundation models, y la ventaja competitiva se obtiene mediante la personalización con datos y conocimiento propio. Ese proceso suele implicar APIs fragmentadas, formatos heterogéneos y ciclos de experimentación largos; los skills buscan reducir esa fricción acelerando experimentos, mejorando la reproducibilidad y facilitando la transferencia a producción.
En términos de requisitos y limitaciones, el tutorial asociado exige una cuenta AWS, acceso o creación de un dominio SageMaker IA y un rol IAM con permisos adecuados; también requiere un bucket de Amazon S3 y un espacio de cómputo en SageMaker IA Studio JupyterLab (no se especifica un tipo mínimo de instancia). Es necesario usar la imagen SageMaker IA Distribution versión 4.1 o superior. la política de confianza debe permitir que sagemaker asuma el rol.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
