AWS Demonstrates a SageMaker HyperPod Workflow for Capturing Data and Fine-Tuning Models

1篇报道 1个报道来源 11月14日首报 13 小时前更新

中文版本尚未就绪 · 显示原文

先了解这件事

AI 综述

AWS demonstrated a SageMaker HyperPod Data Capture workflow that records inference traffic, analyzes it with Athena, applies a SQL labeling policy, and fine-tunes a support router on the same cluster. Data Capture is available on SageMaker HyperPod clusters with the inference operator. In the synthetic walkthrough, a 60-second LoRA fine-tune raised held-out accuracy from 83.9% to 100% across 280 tickets; a separate set of 24 hand-written probes scored 20 out of 24. AWS provided scripts, manifests, SQL, datasets, and expected outputs in a GitHub repository.

AI 根据报道生成 · 12 小时前更新

最新进展11月14日 02:01

How to Build a Model Improvement Flywheel with SageMaker HyperPod Data Capture AWS Machine Learning Blog

接下来读什么

今日还有哪些重要变化Google 扩展 Antigravity 团队协作，助力研究与工程工作

报道时间线

沿着报道，了解事件的不同侧面。

11月14日

02:01
AWS Machine Learning Blog精选
如何利用 SageMaker HyperPod Data Capture 构建模型改进飞轮
AWS 演示了如何使用 SageMaker HyperPod Data Capture 记录推理流量、通过 Athena 分析数据、创建 SQL 标注策略，并在同一集群上微调支持请求路由模型。在这项合成数据演练中，经过 60 秒的 LoRA 微调，模型在 280 个留出工单上的准确率从 83.9% 提升至 100%；另有一组 24 个手写探测样本，得分为 20/24。文章在 GitHub 仓库中提供了脚本、清单、SQL、数据集和预期输出。

模型发布、价格变化、算力进展，附原始来源。免费，确认后开始发送，随时一键退订。看一份往期日报

本事件热度走势

可比范围当前: 7
可比范围峰值: 1011月14日 03:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。