SageMaker AI запускает агентные рабочие процессы для автоматизации кастомизации моделей

Amazon SageMaker AI представил агентную (agentic) среду, которая позволяет разработчикам описывать сценарии на естественном языке, после чего кодовый агент автоматизирует путь кастомизации модели. Агент покрывает весь процесс: от формулировки бизнес‑задачи и подготовки данных до выбора методов обучения, оценки качества и развёртывания, снижая объём ручной работы при создании прикладных моделей. Ключевой элемент платформы — предустановленные «agent skills»: модульные наборы инструкций, инкапсулирующие практики AWS и методы Data Science для всего жизненного цикла кастомизации. Skills умеют приводить данные к требуемым форматам, выбирать и конфигурировать техники fine‑tuning, оценивать результаты и генерировать рабочие артефакты.

В перечне поддерживаемых техник кастомизации названы Supervised Fine‑Tuning (SFT), Direct Preference Optimization (DPO) и Reinforcement Learning Verifiable Rewards (RLVR). Для оценки качества платформа использует подходы типа LLM‑as‑a‑Judge, а агент может автоматически готовить воспроизводимые ноутбуки и редактируемый код, готовый к интеграции в пайплайны разработки. AWS позиционирует агентные рабочие процессы как инструмент ускорения вывода на рынок уникальных моделей на основе собственных данных. По мнению компании, при массовой доступности foundation models конкурентное преимущество формируется за счёт кастомизации; agent skills нацелены на снижение трений, связанных с разрозненными API, модель‑специфичными форматами и длительными циклами экспериментов.

Интеграция с SageMaker AI Studio JupyterLab реализована через предварительно настроенного кодового агента Amazon Kiro, который появляется в панели чата и помогает с автокомплитом, отладкой и интерактивной поддержкой. Платформа также поддерживает Agent Communication Protocol (ACP): можно подключать сторонние ACP‑совместимые агенты (например, Claude Code), при этом JupyterLab автоматически подгружает релевантные skills в контекст агента. Работать с агентом можно и из удалённой IDE.

Практическая подготовка требует стандартных AWS‑предпосылок: аккаунта AWS, доступа или возможности создать домен SageMaker AI, роли IAM с нужными правами и S3‑бакета, а также compute‑пространства в SageMaker AI Studio JupyterLab. На момент публикации необходим образ SageMaker AI Distribution версии 4.1 или выше. Роли исполнения домена рекомендуется прикрепить managed‑политику AmazonSageMakerFullAccess и добавить inline‑политику для доступа к Lambda, S3 и Bedrock; доверительная политика должна позволять сервису sagemaker принимать роль. AWS подчёркивает, что сгенерированный агентом код остаётся полностью редактируемым и превращается в повторно используемые артефакты, что облегчает интеграцию с существующими пайплайнами и соблюдение внутренних стандартов управления и воспроизводимости в командах разработки и ML‑операций.