SageMaker AI: সার্ভারলেস কাস্টমাইজেশন সহ এজেন্টিক টুল কলিংকে ত্বরান্বিত করা

{
  "prompt": [
    {"role": "system", "content": "আপনি একজন সহায়ক সহকারী। যখন টুলস ব্যবহার করবেন, তখন প্রতিক্রিয়া জানান: [...]"},
    {"role": "user", "content": "আবহাওয়া দিন"}
  ],
  "reward_model": {
    "ground_truth": "আপনাকে আবহাওয়ার তথ্য সরবরাহ করার জন্য, আপনি কি অনুগ্রহ করে অবস্থানটি নির্দিষ্ট করবেন?"
  }
}

SageMaker AI দিয়ে Qwen 2.5 7B Instruct ফাইন-টিউনিং

Amazon SageMaker AI Studio-এর মধ্যে Qwen 2.5 7B Instruct-এর মতো একটি মডেল ফাইন-টিউনিং করার প্রক্রিয়াটি সুবিন্যস্ত এবং স্বজ্ঞাত। প্রয়োজনীয় পূর্বশর্ত (AWS অ্যাকাউন্ট, IAM রোল, SageMaker AI ডোমেন, S3 বালতি) পূরণ হয়েছে তা নিশ্চিত করার পরে, ব্যবহারকারীরা SageMaker AI Studio-এর Models বিভাগে নেভিগেট করতে পারে।

সেখান থেকে, Qwen 2.5 7B Instruct নির্বাচন করে এবং Customize with UI বেছে নিলে একটি ডেডিকেটেড কনফিগারেশন পৃষ্ঠা খোলে। এই ইন্টারফেস নিম্নলিখিতগুলির জন্য অনুমতি দেয়:

কৌশল নির্বাচন: ড্রপডাউন থেকে স্পষ্টভাবে ভেরিফায়েবল রিওয়ার্ড সহ রিইনফোর্সমেন্ট লার্নিং (RLVR) নির্বাচন করা।
ডেটা ইনপুট: Amazon S3 বালতিতে সংরক্ষিত প্রস্তুত প্রশিক্ষণ ডেটা নির্দেশ করা।
রিওয়ার্ড ফাংশন: টিয়ারড স্কোরিং মেকানিজম কনফিগার করা যা প্রার্থী প্রতিক্রিয়াগুলি ground_truth-এর বিরুদ্ধে কিভাবে মূল্যায়ন করা হয় তা সংজ্ঞায়িত করে।
হাইপারপ্যারামিটার কনফিগারেশন: ব্যাচ সাইজের মতো প্যারামিটারগুলি সামঞ্জস্য করা, যদিও SageMaker AI প্রায়শই সর্বোত্তম সেটিংস স্বয়ংক্রিয়ভাবে পরিচালনা করে।

SageMaker AI বিভিন্ন মডেল পরিবারকে সমর্থন করে, যার মধ্যে রয়েছে Amazon Nova, GPT-OSS, Llama, Qwen, এবং DeepSeek, বিভিন্ন কৌশল যেমন সুপারভাইজড ফাইন-টিউনিং (SFT), ডিরেক্ট প্রেফারেন্স অপ্টিমাইজেশন (DPO), RLVR, এবং এআই ফিডব্যাক থেকে রিইনফোর্সমেন্ট লার্নিং (RLAIF) এর পাশাপাশি। ইন্টিগ্রেটেড MLflow ট্র্যাকিং প্রশিক্ষণ এবং যাচাইকরণ মেট্রিকগুলিতে দৃশ্যমানতা প্রদান করে, কর্মক্ষমতা পর্যবেক্ষণ এবং পুনরাবৃত্তি সহজ করে। এই ব্যবহারের সহজলভ্যতা জটিল github-agentic-workflows তৈরি করা ডেভেলপারদের জন্য ডেভেলপমেন্ট লাইফসাইকেলকে নাটকীয়ভাবে ত্বরান্বিত করে।

মূল্যায়ন এবং স্থাপনার সাফল্য

আমাদের ফাইন-টিউন করা Qwen 2.5 7B Instruct মডেলের কার্যকারিতা ধরে রাখা ডেটাতে কঠোরভাবে মূল্যায়ন করা হয়েছিল, যার মধ্যে সম্পূর্ণ অচেনা টুলস সহ পরিস্থিতিও ছিল - সাধারণীকরণের জন্য একটি গুরুত্বপূর্ণ পরীক্ষা। ফলাফল ছিল বাধ্যতামূলক: ফাইন-টিউন করা মডেল বেস মডেলের তুলনায় টুল কল রিওয়ার্ডে একটি অসাধারণ 57% উন্নতি অর্জন করেছে। এটি এমন পরিস্থিতিতে কর্মক্ষমতার এই উল্লেখযোগ্য অগ্রগতি যা প্রশিক্ষণের সময় এটি সম্মুখীন হয়নি, টুল ইন্টারঅ্যাকশনের জন্য শক্তিশালী সিদ্ধান্ত গ্রহণের ক্ষমতা শেখানোর ক্ষেত্রে RLVR এর শক্তিকে আন্ডারস্কোর করে।

এই উন্নত নির্ভরযোগ্যতা সরাসরি উৎপাদন পরিবেশে এআই এজেন্ট স্থাপন করার ক্ষেত্রে উচ্চতর বিশ্বাস এবং আত্মবিশ্বাসে রূপান্তরিত হয়। টুল হ্যালুসিনেশন, ভুল প্যারামিটার এবং অনুপযুক্ত ক্রিয়াকলাপের দৃষ্টান্তগুলি হ্রাস করার মাধ্যমে, ব্যবসাগুলি আরও গুরুত্বপূর্ণ এবং সংবেদনশীল কাজগুলির জন্য এআই এজেন্টদের ব্যবহার করতে পারে। SageMaker AI মডেল ডিপ্লোয়মেন্ট এবং ইনফ্রাস্ট্রাকচার ম্যানেজমেন্ট এর জটিলতাগুলি পরিচালনা করার সাথে সাথে, ডেভেলপাররা নির্বিঘ্নে ফাইন-টিউনিং থেকে উৎপাদনে যেতে পারে, তাদের এজেন্টিক এআই সমাধানগুলির পূর্ণ সম্ভাবনা উপলব্ধি করে। এই ক্ষমতাটি বাস্তব-বিশ্বের প্রভাবের জন্য এজেন্টিক এআইকে কার্যকর করার বৃহত্তর দৃষ্টিভঙ্গির সাথে সারিবদ্ধ।

সংক্ষেপে, Amazon SageMaker AI-এর সার্ভারলেস মডেল কাস্টমাইজেশন এবং RLVR-এর শক্তিশালী শেখার ক্ষমতার সংমিশ্রণ অত্যন্ত নির্ভরযোগ্য এজেন্টিক টুল কলিং সিস্টেম তৈরির জন্য একটি শক্তিশালী পথ সরবরাহ করে। এই উদ্ভাবনী পদ্ধতি ডেভেলপমেন্টকে ত্বরান্বিত করে, কার্যনির্বাহী বোঝা হ্রাস করে এবং শেষ পর্যন্ত অভূতপূর্ব নির্ভুলতা এবং বিশ্বস্ততা সহ এআই এজেন্ট সরবরাহ করে।

মূল উৎস

https://aws.amazon.com/blogs/machine-learning/accelerate-agentic-tool-calling-with-serverless-model-customization-in-amazon-sagemaker-ai/

সচরাচর জিজ্ঞাসিত প্রশ্ন

What is agentic tool calling and why is it crucial for AI agents?

Agentic tool calling is the mechanism that empowers AI agents to perform real-world actions like querying databases, initiating workflows, fetching real-time information, and executing tasks on a user's behalf. It's crucial because it bridges the gap between language understanding and practical application, allowing AI agents to move beyond just generating text to actually interacting with external systems and data sources, thereby making them genuinely useful in production environments.

What are the common challenges AI agents face when performing tool calls?

AI agents frequently encounter challenges such as hallucinating tools that don't exist, passing incorrect parameters to valid tools, or attempting actions when they should instead seek clarification from the user. These failures lead to unreliable agent behavior, eroding user trust and posing significant hurdles to the successful deployment of AI agents in critical production systems, ultimately limiting their real-world utility.

How does Amazon SageMaker AI address the challenges of agentic tool calling?

Amazon SageMaker AI addresses these challenges through its serverless model customization capabilities, particularly using Reinforcement Learning with Verifiable Rewards (RLVR). This approach allows developers to fine-tune large language models (LLMs) to improve their tool-calling accuracy without managing complex infrastructure. SageMaker AI handles the operational overhead of GPU provisioning, memory management, and reward infrastructure, letting users focus on data, reward functions, and model behavior.

What is Reinforcement Learning with Verifiable Rewards (RLVR) and how does it work?

RLVR is a powerful fine-tuning technique where the model generates multiple candidate responses for a given prompt. A predefined reward function then evaluates these candidates, providing a signal about their quality and correctness. The model subsequently updates its internal policy to favor responses that received higher reward scores, using methods like Group Relative Policy Optimization (GRPO), thereby iteratively learning to produce more accurate and desired outputs for specific tasks like tool calling.

Why is RLVR considered more effective than Supervised Fine-Tuning (SFT) for tool calling tasks?

While SFT requires meticulously labeled examples for every desired behavior (e.g., calling a tool, clarifying, refusing), RLVR operates differently. SFT can struggle to generalize decision-making between these behaviors. RLVR, by contrast, allows the model to learn the optimal decision boundary by generating multiple candidates and receiving immediate feedback via a reward function, enabling it to better understand *when* to execute a tool call versus *when* to ask for more information or refuse a request.

How is training data prepared for RLVR in Amazon SageMaker AI for agentic tool calling?

Training data for RLVR in SageMaker AI is prepared as JSONL files, where each entry contains a prompt (system and user messages) and a `ground_truth` within a `reward_model` field. This `ground_truth` is what the reward function scores against. To ensure robust agent behavior, datasets are typically designed to cover three distinct scenarios: executing a tool call when all parameters are present, clarifying when information is missing, and refusing requests that are out of scope or harmful. Synthetic data generation tools like Kiro can be used for this purpose.

What agent behaviors are critical for building robust and reliable tool-calling AI agents?

Building robust tool-calling AI agents requires them to master three critical behaviors. First, they must `Execute` a tool call accurately when all necessary information is provided by the user. Second, they need to `Clarify` by asking follow-up questions when essential parameters are missing from a user's request. Third, they must `Refuse` gracefully when a request is out of scope, harmful, or cannot be fulfilled. Training models across these behaviors ensures comprehensive and trustworthy agent performance.

What prerequisites are needed to use serverless model customization in SageMaker AI?

To leverage serverless model customization in Amazon SageMaker AI, users must have an active AWS account, an AWS IAM role configured with the necessary permissions for SageMaker, a SageMaker AI domain providing Studio access for development, and an Amazon Simple Storage Service (Amazon S3) bucket to store training data and model outputs securely. These components ensure a secure and functional environment for fine-tuning models.

আপডেট থাকুন

সর্বশেষ AI খবর ইনবক্সে পান।