AWS AI League: Pinipino ng Atos ang Edukasyon sa AI sa Pamamagitan ng Gamified Learning

title: "AWS AI League: Pinipino ng Atos ang Edukasyon sa AI sa Pamamagitan ng Gamified Learning" slug: "aws-ai-league-atos-fine-tunes-approach-to-ai-education" date: "2026-03-20" lang: "fil" source: "https://aws.amazon.com/blogs/machine-learning/aws-ai-league-atos-fine-tunes-approach-to-ai-education/" category: "Enterprise AI" keywords:

• AWS AI League
• Atos
• edukasyon sa AI
• heneratibong AI
• fine-tuning
• Amazon SageMaker
• pagkatuto na nakabatay sa karanasan
• gamified na AI
• pagpapahusay ng kasanayan ng lakas-paggawa
• LLMs
• underwriting ng seguro
• transpormasyon ng AI meta_description: 'Ginagamit ng Atos ang AWS AI League upang pinuhin ang edukasyon sa AI para sa kanilang lakas-paggawa, pinapabilis ang praktikal na kasanayan sa pamamagitan ng gamified, hands-on na pagkatuto gamit ang Amazon SageMaker para sa mga aplikasyon ng enterprise AI.' image: "/images/articles/aws-ai-league-atos-fine-tunes-approach-to-ai-education.png" image_alt: 'Mga kalahok ng AWS AI League na nag-fine-tune ng mga LLM gamit ang Amazon SageMaker para sa pinahusay na edukasyon sa AI.' quality_score: 94 content_score: 93 seo_score: 95 companies:
• AWS
• Atos schema_type: "NewsArticle" reading_time: 5 faq:
• question: "Ano ang AWS AI League?" answer: "Ang AWS AI League ay isang espesyal na programa na idinisenyo ng AWS upang magbigay ng hands-on, gamified na karanasan sa pagkatuto para sa artificial intelligence, partikular na nakatuon sa heneratibong AI at fine-tuning ng large language model (LLM). Layunin nitong tulayin ang agwat sa pagitan ng teoretikal na kaalaman sa AI na nakuha mula sa tradisyonal na mga kurso at ang praktikal na aplikasyon na kinakailangan para sa mga hamon sa negosyo sa totoong mundo. Sa pamamagitan ng paglulubog sa mga kalahok sa mga mapagkumpitensyang sitwasyon gamit ang mga tool tulad ng Amazon SageMaker, pinapabilis ng League ang pagbuo ng kasanayan, pagpukaw ng interes, at pagtutulungan, tinitiyak na ang mga developer ay magkakaroon ng kumpiyansa at praktikal na karanasan sa pag-deploy ng mga solusyon sa AI."
• question: "Paano tinutugunan ng AWS AI League ang mga tradisyonal na hamon sa pagsasanay sa AI?" answer: "Ang tradisyonal na pagsasanay sa AI ay madalas na nahaharap sa mga isyu tulad ng mababang pagpukaw ng interes, limitadong praktikal na karanasan, at pagkdisconnect sa pagitan ng kaalamang pang-akademiko at implementasyon sa totoong mundo. Tinutugunan ito ng AWS AI League sa pamamagitan ng pag-aalok ng experiential, gamified na diskarte. Sa halip na passive na pagkatuto, aktibong nag-fine-tune ang mga kalahok ng mga LLM, nakikipagkumpitensya sa mga leaderboard, at nagpapakita ng mga solusyon sa mga live na hamon. Ang hands-on na metodolohiyang ito, kasama ang mga mapagkumpitensyang elemento, ay lubos na nagpapataas ng pagpukaw ng interes, nagbibigay ng nasasalat na karanasan, at tinitiyak na maisasalin ng mga kalahok ang kanilang pagkatuto sa makabuluhang epekto sa negosyo, na nalalampasan ang mga kakulangan ng mga kumbensyonal na pamamaraan."
• question: "Bakit mahalaga ang fine-tuning ng mga LLM para sa pag-ampon ng enterprise AI?" answer: "Ang fine-tuning ng mga large language model ay isang kritikal na pamamaraan para sa mga enterprise dahil pinapayagan nito ang mga pangkalahatang modelo na iakma sa partikular, domain-rich na konteksto ng negosyo nang walang malaking gastos at oras ng pagsasanay mula sa simula. Ang transfer learning approach na ito ay nagbibigay-daan sa mga modelo na maunawaan ang espesyalisadong terminolohiya, sumunod sa mga pamantayan ng industriya, at bumuo ng lubos na tumpak, may kaugnayan, at naipapaliwanag na mga output. Para sa mga negosyo tulad ng Atos, ang fine-tuning ay nagpapabago ng mga generic na LLM sa malakas, customized na mga assistant na may kakayahang humawak ng mga kumplikadong gawain tulad ng underwriting ng seguro, pagpapabuti ng kahusayan, pagkakapare-pareho, at katumpakan sa paggawa ng desisyon sa loob ng mga partikular na balangkas ng operasyon."
• question: "Paano inilapat ng Atos ang fine-tuning sa isang real-world scenario?" answer: "Ginamit ng Atos ang AWS AI League upang bumuo ng isang 'Intelligent Insurance Underwriter.' Ang real-world na aplikasyon na ito ay kinabibilangan ng fine-tuning ng isang LLM upang suriin ang masalimuot na mga sitwasyon ng seguro, suriin ang mga panganib, magrekomenda ng mga kondisyon ng polisiya, mag-adjust ng mga premium, at magbigay ng malinaw na rason para sa mga desisyon nito, lahat ay nakahanay sa mga propesyonal na pamantayan ng industriya. Ang solusyon, na binuo sa cost-effective, fine-tuned na open-source na mga modelo na gumagamit ng Amazon SageMaker at S3, ay nagpakita kung paano mapapalakas ng heneratibong AI ang produktibidad ng mga propesyonal sa underwriting, pinapatalas ang pagtatasa ng panganib, at walang putol na isinasama sa kasalukuyang kaalaman sa industriya, na nagpapatunay sa praktikal na utility ng fine-tuning para sa mga solusyon ng enterprise."
• question: "Anong mga serbisyo ng AWS ang sentro sa programa ng AWS AI League?" answer: "Pangunahing ginagamit ng AWS AI League ang Amazon SageMaker at Amazon SageMaker JumpStart. Nagbibigay ang Amazon SageMaker ng ganap na integrated, web-based na kapaligiran sa pagbuo (SageMaker Studio) na pinapasimple ang end-to-end na workflow ng machine learning. Nag-aalok ang Amazon SageMaker JumpStart ng access sa mga pre-trained na pundasyong modelo sa pamamagitan ng isang ginabayang interface, na nagbibigay-daan sa mga kalahok na madaling mag-fine-tune ng mga LLM. Inaalis ng mga serbisyong ito ang kumplikadong imprastraktura, na nagbibigay-daan sa mga kalahok na tumuon sa pagpapasadya ng modelo, pagsusuri, at praktikal na aplikasyon, na nagpapabilis sa pagbuo ng production-ready na mga solusyon sa AI para sa mga kaso ng paggamit ng negosyo."
• question: "Ano ang mga pangunahing benepisyo ng isang gamified, hands-on na diskarte sa pagkatuto ng AI?" answer: "Ang isang gamified, hands-on na diskarte sa pagkatuto ng AI, tulad ng ipinakita ng AWS AI League, ay nag-aalok ng ilang mahalagang benepisyo. Lubos nitong pinapataas ang pagpukaw ng interes at motibasyon ng kalahok sa pamamagitan ng mga mapagkumpitensyang elemento tulad ng mga leaderboard at live na hamon. Nagbibigay ang pamamaraang ito ng napakahalagang praktikal na karanasan, na isinasalin ang teoretikal na kaalaman sa nasasalat na mga kasanayan sa fine-tuning at pag-deploy ng modelo. Nagtataguyod ito ng pagtutulungan sa pagitan ng mga koponan, naghihikayat ng mabilis na pag-eeksperimento, at nagtatayo ng kumpiyansa sa paglalapat ng AI sa mga problema sa totoong negosyo. Sa huli, pinapabilis nito ang pagpapahusay ng kasanayan ng isang lakas-paggawa, tinitiyak na hindi lang sila certified kundi sanay at epektibo rin na mga AI practitioner."
• question: "Sino ang target na audience para sa mga programa tulad ng AWS AI League?" answer: "Ang mga programa tulad ng AWS AI League ay idinisenyo para sa malawak na audience ng mga developer at propesyonal sa loob ng mga organisasyon na naglalayon ng AI transformation. Kabilang dito ang mga solutions architect, developer, consultant, business analyst, at sinumang kasangkot sa pagbuo, pag-deploy, o paggamit ng mga solusyon sa AI. Inaalis ng diskarte ng League ang malalim na pagiging kumplikado ng imprastraktura, na ginagawang accessible ang mga advanced na pamamaraan ng AI tulad ng fine-tuning ng LLM kahit sa mga walang malalim na espesyalisasyon sa machine learning. Nagbibigay ito ng kapangyarihan sa magkakaibang koponan upang makakuha ng praktikal, hands-on na karanasan, na tinutulayan ang agwat ng kasanayan sa buong enterprise."

Rebolusyon sa Edukasyon ng AI sa Pamamagitan ng Gamified Learning

Sa mabilis na pagbabago ng tanawin ng artificial intelligence, nahaharap ang mga organisasyon sa isang kritikal na hamon: kung paano epektibong mapahusay ang kasanayan ng kanilang lakas-paggawa sa malawakang paraan upang makabuo, mag-deploy, at magamit ang mga solusyon sa AI. Ang tradisyonal na mga pamamaraan ng pagsasanay sa AI, bagaman pundamental, ay madalas na kulang, na humahantong sa mababang pagpukaw ng interes, limitadong praktikal na karanasan, at isang malaking agwat sa pagitan ng teoretikal na kaalaman at aplikasyon sa totoong mundo. Maaari itong magresulta sa pagkakaroon ng mga koponan ng sertipikasyon ngunit kulang sa kumpiyansa na ilapat ang AI sa makabuluhang paraan sa mga kumplikadong problema sa negosyo.

Sa pagkilala sa malawakang isyung ito, ang Atos, sa pakikipagtulungan sa AWS, ay nagtaguyod ng isang nagbabagong diskarte sa pagpapagana ng AI. Ang kanilang pinagsamang inisyatiba, ang AWS AI League, ay lumalampas sa passive na pagkatuto, inilulubog ang mga kalahok sa dinamiko, gamified na karanasan na idinisenyo upang linangin ang nasasalat na mga kasanayan sa AI. Ang makabagong programang ito ay naglalayong hindi lamang magbigay ng edukasyon kundi magbigay inspirasyon din, tinitiyak na ang pangako ng Atos sa isang "AI-fluent" na lakas-paggawa sa taong 2026 ay matugunan ng praktikal, epektibong mga resulta.

AWS AI League: Pagtutulay sa Agwat mula Teorya patungo sa Praktika

Ang AWS AI League ay sadyang idinisenyo upang tugunan ang mga kakulangan ng kumbensyonal na edukasyon sa AI. Sa halip na umasa lamang sa konseptwal na pag-unawa, isinasama ng programa ang hands-on na eksperimentasyon sa nakabalangkas na kompetisyon, na nagpapahintulot sa mga developer na direktang makipag-ugnayan sa mga tool ng heneratibong AI sa mga makatotohanang kapaligiran. Para sa Atos, ang diskarteng ito ay nag-alok ng isang malakas na paraan upang mapabilis ang mga inilapat na kasanayan sa AI sa kanilang malawak na organisasyon, na nagtataguyod ng patuloy na pagpukaw ng interes, pagtutulungan, at masusukat na resulta.

Inaalis ng League ang mga pagiging kumplikado ng malalim na imprastraktura, na nagpapahintulot sa mga kalahok na tumuon sa pangunahing mekanismo ng pagpapasadya at pagsusuri ng modelo. Ginagamit ng mga kalahok ang makapangyarihang serbisyo ng AWS tulad ng Amazon SageMaker at Amazon SageMaker JumpStart upang mag-fine-tune ng mga large language model (LLM). Ang direkta at praktikal na karanasang ito sa mga makabagong pamamaraan ay lalong mahalaga para sa matagumpay na pag-ampon ng enterprise AI. Ang istraktura ng programa ay metodiko, na bumubuo ng kasanayan sa pamamagitan ng mga natatanging yugto:

Bakit Mahalaga ang Fine-Tuning ng mga LLM para sa Enterprise AI

Ang fine-tuning ng isang large language model ay kumakatawan sa isang malakas na anyo ng transfer learning, isang pamamaraan ng machine learning kung saan ang isang pre-trained na modelo ay iniakma gamit ang isang mas maliit, domain-specific na dataset sa halip na buuin mula sa simula. Para sa mga negosyo, nag-aalok ang diskarteng ito ng isang praktikal at cost-effective na daan patungo sa pagpapasadya. Lubos nitong binabawasan ang oras ng pagsasanay at computational overhead habang nagbibigay-daan sa mga modelo na magpakita ng espesyalisadong kaalaman, terminolohiya, at lohika sa paggawa ng desisyon na tiyak sa isang industriya o organisasyon.

Ang mga organisasyon na gumagamit ng fine-tuning ay maaaring iakma ang mga pangkalahatang modelo sa mga niche na domain kung saan ang katumpakan, reasoning, at explainability ay pinakamahalaga. Halimbawa, sa sektor ng seguro, ang fine-tuning ay tumutulong sa mga modelo na maunawaan ang kumplikadong profile ng panganib, kondisyon ng polisiya, mga pagbubukod, at pagkalkula ng premium – impormasyon na lampas sa pangkalahatang fluency ng wika. Ipinapakita ng AWS AI League na, sa tamang istraktura at kagamitan, ang iba't ibang koponan – kabilang ang mga solutions architect, developer, consultant, at maging mga business analyst – ay maaaring mag-fine-tune at mag-deploy ng mga modelo nang hindi nangangailangan ng malalim na espesyalisasyon sa machine learning. Ang accessibility na ito ay nagpapadali sa fine-tuning na isang napakahalagang kakayahan para sa mga kasosyo ng organisasyon na nakatuon sa paghahatid ng mataas na epekto, handa sa customer na mga solusyon sa AI.

Intelligent Insurance Underwriter ng Atos: Isang Aplikasyon ng AI sa Totoong Mundo

Sa paggamit ng mga pundamental na kasanayan na nakuha sa pamamagitan ng AWS AI League, binuo ng Atos ang isang kapansin-pansing use case sa totoong mundo: ang Intelligent Insurance Underwriter. Ang proyektong ito ay naglalayong mag-fine-tune ng isang large language model na may kakayahang suriin ang masalimuot na mga sitwasyon ng seguro at magbigay ng gabay sa underwriting na may antas ng eksperto. Idinisenyo ang modelo hindi lamang upang magproseso ng impormasyon kundi upang suriin ang panganib, magrekomenda ng naaangkop na mga kondisyon ng polisiya o deductibles, magmungkahi ng mga pagsasaayos ng premium, at, mahalaga, malinaw na ipaliwanag ang rason sa likod ng bawat desisyon – lahat habang sumusunod sa mga propesyonal na pamantayan ng industriya.

Ang use case na ito ay pinili dahil sa direkta nitong kaugnayan sa mga pangangailangan ng customer, na nagsisilbing praktikal na demonstrasyon kung paano mapapalakas ng heneratibong AI ang mga kakayahan ng mga propesyonal sa underwriting. Sa pagpapabuti ng pagkakapare-pareho at kahusayan sa iba't ibang linya ng produkto ng seguro, nag-aalok ang solusyon ng makabuluhang halaga sa negosyo. Binuo sa cost-effective, fine-tuned na open-source na mga modelo at pinapatakbo ng Amazon SageMaker, SageMaker Unified Studio, at Amazon S3, isinasama ng Intelligent Insurance Underwriter ang isang matatag na batayan ng kaalaman sa sopistikadong reasoning at recommendation module. Ang mga module na ito ay sinanay sa proprietary underwriting data, na nagreresulta sa isang abot-kaya, customized na assistant na nagpapalakas ng produktibidad ng koponan, nagpipino sa katumpakan ng pagtatasa ng panganib, at walang putol na isinasama sa tunay na kaalaman sa industriya na taglay na ng mga human underwriter. Nagbibigay ito ng halimbawa kung paano maaaring humantong ang pagpapatakbo ng agentic AI sa nasasalat na mga benepisyo sa negosyo.

Paghawak sa Fine-Tuning gamit ang Amazon SageMaker

Ang isang haligi ng tagumpay ng AWS AI League ay ang pagdepende nito sa matatag na machine learning ecosystem ng AWS, partikular ang Amazon SageMaker. Ginagawa ng mga kalahok ang kanilang fine-tuning ng modelo sa loob ng Amazon SageMaker Studio, isang ganap na integrated, web-based na kapaligiran sa pagbuo na partikular na idinisenyo para sa mga workflow ng machine learning. Pinapabilis ng SageMaker Studio ang buong proseso, mula sa paghahanda ng data at pagbuo ng modelo hanggang sa pagsasanay, pag-tune, at pag-deploy.

Mahalaga, nagbibigay ang SageMaker JumpStart ng isang ginabayang interface upang ma-access at magamit ang mga pre-trained na pundasyong modelo. Pinapayagan nito ang mga kalahok na alisin ang malaking bahagi ng pagiging kumplikado ng pinagbabatayang imprastraktura, na nagbibigay-daan sa kanila na tumuon sa mga madiskarteng aspeto ng pag-uugali ng modelo, mga resulta, at epekto sa negosyo sa halip na mabinbin sa pag-set up ng kapaligiran. Pinapabilis ng nakatuong diskarteng ito ang pagkatuto at praktikal na aplikasyon, tinitiyak na mabilis na maisasalin ng mga kalahok ang kanilang kaalaman sa mga deployable na solusyon sa AI.

Pangunahing Aral para sa Matagumpay na Programa sa Pagpapahusay ng Kasanayan sa AI

Ang tagumpay ng AWS AI League kasama ang Atos ay nag-aalok ng napakahalagang kaalaman para sa anumang organisasyon na nagsisimula sa isang paglalakbay sa transpormasyon ng AI. Ang paglipat mula sa teoretikal na pag-unawa patungo sa hands-on, experiential na pagkatuto ay mahalaga para sa pagbuo ng tunay na fluency sa AI. Lubos na pinapataas ng mga gamified na elemento ang pagpukaw ng interes at nagtataguyod ng isang mapagkumpitensya ngunit nagtutulungang espiritu, na ginagawang isang kapana-panabik na hamon ang pagkatuto. Bukod pa rito, ang pagsasama ng mga use case na tiyak sa industriya, tulad ng Intelligent Insurance Underwriter ng Atos, ay naglalagay ng pagsasanay sa nauugnay na konteksto ng negosyo, na tinitiyak na ang mga nakuha na kasanayan ay direktang mailalapat at epektibo.

Sa pamamagitan ng pagbibigay ng mga platform tulad ng Amazon SageMaker na nag-aalis ng mga pagiging kumplikado ng imprastraktura, maaaring demokratisahin ng mga organisasyon ang pagbuo ng kasanayan sa AI, na ginagawang accessible ang mga advanced na pamamaraan tulad ng fine-tuning ng LLM sa mas malawak na hanay ng mga teknikal at maging non-teknikal na tungkulin. Ipinapakita ng partnership na ang pagsasama ng nakabalangkas na e-learning sa nakaka-engganyong, praktikal na karanasan ay susi hindi lamang sa pagkuha ng sertipikasyon kundi sa paglinang din ng isang lakas-paggawa na tunay na may kakayahang gamitin ang AI para sa madiskarteng kalamangan. Mahalaga ang modelong ito para sa pagpapalawak ng AI para sa lahat sa buong enterprise, tinitiyak na ang transpormasyon ng AI ay isang paglalakbay ng patuloy na pagkatuto at praktikal na inobasyon.