SageMaker AI: Zrychlení agentického volání nástrojů s bezserverovou úpravou modelu

{
  "prompt": [
    {"role": "system", "content": "Jste užitečný asistent. Při používání nástrojů reagujte s: [...]"},
    {"role": "user", "content": "Získat počasí"}
  ],
  "reward_model": {
    "ground_truth": "Abyste mi mohli poskytnout informace o počasí, můžete prosím upřesnit místo?"
  }
}

Doladění Qwen 2.5 7B Instruct s SageMaker AI

Proces doladění modelu jako Qwen 2.5 7B Instruct v Amazon SageMaker AI Studio je zjednodušený a intuitivní. Po zajištění splnění nezbytných předpokladů (účet AWS, IAM role, doména SageMaker AI, S3 bucket) mohou uživatelé přejít do sekce Models v SageMaker AI Studio.

Odtud, výběrem Qwen 2.5 7B Instruct a volbou Customize with UI se otevře vyhrazená konfigurační stránka. Toto rozhraní umožňuje:

Výběr techniky: Explicitní výběr Reinforcement Learning with Verifiable Rewards (RLVR) z rozbalovacího menu.
Vstup dat: Odkazování na připravená tréninková data uložená v S3 kbelíku Amazon.
Funkce odměn: Konfigurace víceúrovňového mechanismu skórování, který definuje, jak jsou kandidátské odpovědi vyhodnocovány proti ground_truth.
Konfigurace hyperparametrů: Nastavení parametrů, jako je velikost dávky, ačkoli SageMaker AI často automaticky zpracovává optimální nastavení.

SageMaker AI podporuje širokou škálu rodin modelů, včetně Amazon Nova, GPT-OSS, Llama, Qwen a DeepSeek, spolu s různými technikami jako Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO), RLVR a Reinforcement Learning from AI Feedback (RLAIF). Integrované sledování MLflow poskytuje přehled o metrikách tréninku a validace, zjednodušující monitorování výkonu a iterace. Toto snadné použití dramaticky urychluje vývojový cyklus pro vývojáře, kteří budují sofistikované github-agentic-workflows.

Vyhodnocení a úspěšné nasazení

Účinnost našeho doladěného modelu Qwen 2.5 7B Instruct byla přísně vyhodnocena na odložených datech, včetně scénářů se zcela neviděnými nástroji – kritický test pro zobecnění. Výsledky byly přesvědčivé: doladěný model dosáhl pozoruhodného 57% zlepšení v odměně za volání nástrojů ve srovnání se základním modelem. Tento významný skok ve výkonu ve scénářích, se kterými se během tréninku nesetkal, podtrhuje sílu RLVR při učení modelů robustním rozhodovacím schopnostem pro interakci s nástroji.

Tato zvýšená spolehlivost se přímo promítá do vyšší důvěry při nasazování agentů AI do produkčních prostředí. Minimalizací instancí halucinací nástrojů, nesprávných parametrů a nevhodných akcí mohou podniky využívat agenty AI pro kritičtější a citlivější úkoly. Díky tomu, že SageMaker AI zvládá složitost nasazení modelu a správy infrastruktury, mohou se vývojáři hladce přesunout od doladění k produkci a realizovat plný potenciál svých agentních řešení AI. Tato schopnost je v souladu s širší vizí operačního nasazení agentní AI pro reálný dopad.

Shrnuto, kombinace bezserverového přizpůsobení modelu Amazon SageMaker AI a robustních učebních schopností RLVR poskytuje silnou cestu k budování vysoce spolehlivých systémů agentického volání nástrojů. Tento inovativní přístup urychluje vývoj, snižuje provozní zátěž a v konečném důsledku dodává agenty AI, kteří fungují s bezprecedentní přesností a důvěryhodností.

Často kladené dotazy

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.

SageMaker AI: Zrychlení agentického volání nástrojů s bezserverovou úpravou modelu

Doladění Qwen 2.5 7B Instruct s SageMaker AI

Vyhodnocení a úspěšné nasazení

Často kladené dotazy

Buďte v obraze