SageMaker AI: Zrýchlenie agentného volania nástrojov so serverless prispôsobením

{
  "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?"
  }
}

Dolaďovanie Qwen 2.5 7B Instruct so SageMaker AI

Proces dolaďovania modelu ako Qwen 2.5 7B Instruct v Amazon SageMaker AI Studio je zjednodušený a intuitívny. Po zabezpečení splnenia potrebných predpokladov (účet AWS, rola IAM, doména SageMaker AI, S3 bucket) môžu používatelia prejsť do sekcie Modely v SageMaker AI Studio.

Odtiaľ, výberom Qwen 2.5 7B Instruct a voľbou Prispôsobiť pomocou UI sa otvorí špecializovaná konfiguračná stránka. Toto rozhranie umožňuje:

Výber techniky: Explicitné zvolenie Učenia posilňovaním s overiteľnými odmenami (RLVR) z rozbaľovacieho menu.
Vstup dát: Ukázanie na pripravené tréningové dáta uložené v Amazon S3 buckete.
Funkcia odmeny: Konfiguráciu viacúrovňového mechanizmu bodovania, ktorý definuje, ako sú kandidátske odpovede vyhodnocované oproti ground_truth.
Konfigurácia hyperparametrov: Nastavenie parametrov ako veľkosť dávky (batch size), hoci SageMaker AI často automaticky spracováva optimálne nastavenia.

SageMaker AI podporuje rozmanitú škálu rodín modelov, vrátane Amazon Nova, GPT-OSS, Llama, Qwen a DeepSeek, popri rôznych technikách ako Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO), RLVR a Reinforcement Learning from AI Feedback (RLAIF). Integrované sledovanie pomocou MLflow poskytuje viditeľnosť do tréningových a validačných metrík, zjednodušujúc monitorovanie výkonu a iteráciu. Táto jednoduchosť použitia dramaticky urýchľuje vývojový cyklus pre vývojárov budujúcich sofistikované github-agentic-workflows.

Hodnotenie a úspešnosť nasadenia

Účinnosť nášho doladeného modelu Qwen 2.5 7B Instruct bola prísne vyhodnotená na zadržaných dátach, vrátane scenárov s úplne nepoznanými nástrojmi—kľúčový test pre generalizáciu. Výsledky boli presvedčivé: doladený model dosiahol pozoruhodné 57% zlepšenie v odmene za volanie nástrojov v porovnaní so základným modelom. Tento výrazný skok vo výkone v scenároch, s ktorými sa počas tréningu nestretol, podčiarkuje silu RLVR pri učení modelov robustných rozhodovacích schopností pre interakciu s nástrojmi.

Táto zvýšená spoľahlivosť sa priamo premieta do vyššej dôvery pri nasadzovaní AI agentov do produkčných prostredí. Minimalizovaním prípadov halucinácií nástrojov, nesprávnych parametrov a nevhodných akcií môžu podniky využívať AI agentov pre kritickejšie a citlivejšie úlohy. So SageMaker AI, ktorá zvláda zložitosť nasadenia modelu a správy infraštruktúry, sa vývojári môžu plynulo presunúť od dolaďovania k produkcii, čím naplno využijú potenciál svojich agentných AI riešení. Táto schopnosť je v súlade so širšou víziou prevádzkyschopnosti agentnej AI pre reálny dopad.

Zhrnuto, kombinácia serverless prispôsobenia modelu Amazon SageMaker AI a robustných schopností učenia RLVR poskytuje účinnú cestu k budovaniu vysoko spoľahlivých systémov agentného volania nástrojov. Tento inovatívny prístup urýchľuje vývoj, znižuje prevádzkovú záťaž a v konečnom dôsledku prináša AI agentov, ktorí fungujú s bezprecedentnou presnosťou a dôveryhodnosťou.

Často kladené otázky

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: Zrýchlenie agentného volania nástrojov so serverless prispôsobením

Dolaďovanie Qwen 2.5 7B Instruct so SageMaker AI

Hodnotenie a úspešnosť nasadenia

Často kladené otázky

Buďte informovaní