تصور کنید پیچیدهترین بخش چرخه یادگیری ماشین را تنها با چند جمله ساده مدیریت کنید. اگر هنوز ساعتها وقت خود را صرف تنظیم دستی APIها میکنید، باید بدانید که بازی تغییر کرده است.
در ۵ مه ۲۰۲۶، Amazon SageMaker AI ثابت کرد که اتوماسیون کامل سختترین مراحل توسعه مدل ممکن است. به نقل از وبسایت the-decoder.com، این پلتفرم سیستمی برای تنظیم دقیق (Fine-tuning) عاملمحور (Agentic) معرفی کرده است که در آن دستورات زبان طبیعی جایگزین درگیریهای فنی با APIها شده است.
طبق گزارشهای منتشر شده، قلب این تحول عامل Kiro (Kiro AI agent) است. این عامل، فرآیند انتهای-به-انتهای شخصیسازی مدل زبانی بزرگ (Large Language Model - LLM) را مدیریت میکند. توسعهدهندگان دیگر نیازی به پیکربندی دستی فرمتهای داده ندارند؛ آنها صرفاً مورد کاربردی خود را توصیف میکنند و عامل Kiro اجرای فنی را بر عهده میگیرد.
این گردشکار بر پایه قابلیتهای کلیدی زیر بنا شده است:
- ۹ مهارت پیشساخته که تمام خط لوله (Pipeline)، از اعتبارسنجی مجموعهداده تا استقرار نهایی مدل را مدیریت میکنند.
- سازگاری گسترده با خانوادههای مدل از جمله Llama، Qwen، Deepseek و مدلهای Nova متعلق به خود آمازون.
- یکپارچگی منعطف که اجازه میدهد توسعهدهندگان از عامل Kiro یا ابزارهای خارجی مانند Claude Code استفاده کنند.
تمام کدهای تولید شده در قالب دفترچههای ژوپیتر (Jupyter notebooks) تحویل داده میشوند تا کنترل کامل بر پیادهسازی نهایی در دست متخصص باشد.
همانطور که در تحلیل قبلی ما دربارهی بهینهسازیهای زیرساختی SageMaker و استفاده از زبان Rust برای افزایش سرعت استنتاج اشاره کردیم، آمازون اکنون تمرکز خود را از لایههای سختافزاری به «بالای پشته» (Top of the stack) منتقل کرده است تا تجربه توسعهدهنده را دگرگون کند.
این تغییر رویکرد، مرز بین مهندسی داده و مدلسازی را کمرنگتر میکند. اما این تنها بخشی از پازل است؛ تأثیر این اتوماسیون بر ظهور مدلهای تخصصی کوچک را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- اگر از مدلهای Llama یا Deepseek استفاده میکنید، قابلیتهای عامل Kiro را برای کاهش زمان آمادهسازی دادهها تست کنید.
- خروجیهای ژوپیتر را با اسکریپتهای دستی خود مقایسه کنید تا میزان بهینگی کد تولید شده توسط عامل را بسنجید.
- یکپارچگی Claude Code با SageMaker را برای مدیریت سریعتر چرخه آموزش مدلها بررسی کنید.
گفتگو