SageMaker AI: Beschleunigung des agentischen Tool-Aufrufs mit serverloser Anpassung

{
  "prompt": [
    {"role": "system", "content": "You are a helpful assistant. When using tools, respond with: [...]"},
    {"role": "user", "content": "Get the weather"}
  ],
  "reward_model": {
    "ground_truth": "To provide you with the weather information, could you please specify the location?"
  }
}

Feinabstimmung von Qwen 2.5 7B Instruct mit SageMaker AI

Der Prozess der Feinabstimmung eines Modells wie Qwen 2.5 7B Instruct innerhalb von Amazon SageMaker AI Studio ist optimiert und intuitiv. Nachdem die notwendigen Voraussetzungen (AWS-Konto, IAM-Rolle, SageMaker AI-Domain, S3-Bucket) erfüllt sind, können Benutzer zum Abschnitt Models im SageMaker AI Studio navigieren.

Dort öffnet die Auswahl von Qwen 2.5 7B Instruct und die Wahl von Customize with UI eine spezielle Konfigurationsseite. Diese Oberfläche ermöglicht:

Technikauswahl: Explizite Auswahl von Reinforcement Learning mit überprüfbaren Belohnungen (RLVR) aus dem Dropdown-Menü.
Dateneingabe: Verweis auf die vorbereiteten Trainingsdaten, die in einem Amazon S3-Bucket gespeichert sind.
Belohnungsfunktion: Konfiguration des gestuften Bewertungsmechanismus, der definiert, wie Kandidatenantworten gegen den ground_truth bewertet werden.
Hyperparameter-Konfiguration: Anpassung von Parametern wie der Batch-Größe, obwohl SageMaker AI oft optimale Einstellungen automatisch vornimmt.

SageMaker AI unterstützt eine Vielzahl von Modellfamilien, darunter Amazon Nova, GPT-OSS, Llama, Qwen und DeepSeek, neben verschiedenen Techniken wie Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO), RLVR und Reinforcement Learning from AI Feedback (RLAIF). Das integrierte MLflow-Tracking bietet Transparenz über Trainings- und Validierungsmetriken, was die Leistungsüberwachung und Iteration vereinfacht. Diese Benutzerfreundlichkeit beschleunigt den Entwicklungslebenszyklus für Entwickler, die anspruchsvolle github-agentic-workflows erstellen, erheblich.

Evaluierung und Bereitstellungserfolg

Die Wirksamkeit unseres feinabgestimmten Qwen 2.5 7B Instruct Modells wurde rigoros an unabhängigen Daten bewertet, einschließlich Szenarien mit völlig unbekannten Tools – ein entscheidender Test für die Generalisierung. Die Ergebnisse waren überzeugend: Das feinabgestimmte Modell erzielte eine bemerkenswerte 57%ige Verbesserung der Tool-Aufrufbelohnung im Vergleich zum Basismodell. Dieser signifikante Leistungssprung bei Szenarien, die während des Trainings nicht aufgetreten waren, unterstreicht die Leistungsfähigkeit von RLVR beim Vermitteln robuster Entscheidungsfähigkeiten für die Tool-Interaktion.

Diese verbesserte Zuverlässigkeit führt direkt zu größerem Vertrauen und mehr Sicherheit bei der Bereitstellung von KI-Agenten in Produktionsumgebungen. Durch die Minimierung von Fällen von Tool-Halluzinationen, inkorrekten Parametern und unangemessenen Aktionen können Unternehmen KI-Agenten für kritischere und sensiblere Aufgaben nutzen. Da SageMaker AI die Komplexität der Modellbereitstellung und der Infrastrukturverwaltung übernimmt, können Entwickler nahtlos von der Feinabstimmung zur Produktion übergehen und das volle Potenzial ihrer agentischen KI-Lösungen ausschöpfen. Diese Fähigkeit steht im Einklang mit der breiteren Vision der Operationalisierung von agentischer KI für reale Auswirkungen.

Zusammenfassend lässt sich sagen, dass die Kombination der serverlosen Modell-Anpassung von Amazon SageMaker AI und der robusten Lernfähigkeiten von RLVR einen leistungsstarken Weg zum Aufbau hochzuverlässiger agentischer Tool-Aufruf-Systeme bietet. Dieser innovative Ansatz beschleunigt die Entwicklung, reduziert den Betriebsaufwand und liefert letztendlich KI-Agenten, die mit beispielloser Genauigkeit und Vertrauenswürdigkeit arbeiten.

Originalquelle

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

Häufig gestellte Fragen

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.

Bleiben Sie informiert

Erhalten Sie die neuesten KI-Nachrichten per E-Mail.