Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarAWS Machine Learning Blog→ original

AWS añade a SageMaker AI etiquetado automático y datos sintéticos para entrenar modelos

Preparar los datos para el ajuste fino se lleva semanas: el etiquetado es caro y los conjuntos esconden duplicados y filtraciones de respuestas. Amazon ha añadido a SageMaker AI herramientas en las que un jurado de varios modelos etiqueta las filas y las dudosas pasan a revisión de expertos. También incluye generación de datos sintéticos y una comprobación de calidad antes de iniciar el entrenamiento. A los equipos con una tarea específica les ayuda a reunir un dataset limpio más rápido.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
AWS añade a SageMaker AI etiquetado automático y datos sintéticos para entrenar modelos
Fuente: AWS Machine Learning Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalAWS Machine Learning Blog ↗
Editor jefe
Dato clave #1El grado de acuerdo entre los modelos del jurado se convierte en una puntuación de confianza para cada fila
Dato clave #2Los datos y las etiquetas permanecen en su S3; funciona en las regiones US East y US West
Dato clave #3El formato para SFT, DPO o RL se define con una descripción en lenguaje natural

Cualquier equipo que haya ajustado un modelo para su propia tarea lo sabe: lo que más tiempo consume ocurre antes de lanzar el entrenamiento. Hay que encontrar o etiquetar ejemplos, eliminar duplicados, adaptarlo todo al formato de un método concreto y, además, comprobar que no se han colado en el conjunto de entrenamiento respuestas del de prueba. Amazon quiere resolver ese problema y ha ampliado SageMaker AI con un conjunto de funciones para la preparación de datos. Están disponibles a través del SDK de Python y mediante AI-ML skill para agentes de código.

Cinco piezas en lugar de un pipeline artesanal

La idea de AWS es evitar que el equipo tenga que unir a mano herramientas de etiquetado, scripts de generación y tareas de validación. Cada función opera por separado y se pueden encadenar.

El etiquetado automático funciona con un conjunto sin etiquetar, con una pequeña semilla etiquetada o incluso sin etiquetas. De serie admite clasificación, extracción de entidades nombradas, extracción de respuestas de un texto, puntuaciones ordinales y resumen automático, y también se pueden describir tipos de tarea propios. El etiquetado se define en una especificación breve, que primero se prueba con sus ejemplos y solo después se aplica a todo el conjunto. En las tareas con un conjunto fijo de respuestas, cada fila la etiqueta un jurado de varios modelos, y su grado de acuerdo se convierte en una puntuación de confianza.

Las filas con baja confianza van a una cola de revisión manual en SageMaker Studio. Allí se usa la herramienta abierta Label Studio Community Edition, y los expertos externos acceden mediante un enlace. Sus correcciones vuelven al etiquetado automático y mejoran la siguiente pasada.

Los datos sintéticos se generan a partir de una especificación y pueden apoyarse en sus documentos y ejemplos semilla. El servicio entrega el código del pipeline de generación, que se puede leer, modificar y ejecutar de nuevo.

La evaluación de calidad comprueba el conjunto con sus reglas de negocio, con métricas integradas y con métricas que usan un LLM como juez. Busca duplicados y casi duplicados, además de problemas en los que quizá no había pensado: ruido en las etiquetas y filtraciones de respuestas. La transformación de datos limpia y reestructura el conjunto: se puede describir el cambio con palabras corrientes y obtener el código, usar operaciones ya preparadas como deduplicación, fusión, división y filtrado, o ejecutar su propio código Python.

Cómo se ve en la práctica

AWS expone el ejemplo de un equipo que valida un asistente de IA de soporte. El manual dice que restablecer los valores de fábrica borra los ajustes guardados, y es importante que el asistente no olvide avisar de ello. El equipo carga el manual como contexto y describe las preguntas necesarias y las respuestas de referencia. Después, con ayuda del agente, revisa la especificación redactada, genera un pequeño lote de prueba y contrasta los registros con el manual. A continuación lanza la evaluación de calidad, pasa las respuestas dudosas a un experto, corrige la especificación o limpia duplicados, genera más ejemplos y vuelve a validar el conjunto.

Para un escenario de principio a fin se propone esta cadena: generar datos a partir de los documentos, transformarlos al formato de SFT, DPO o aprendizaje por refuerzo, comprobar duplicados, filtraciones e incumplimientos de reglas y solo entonces lanzar el entrenamiento con SageMaker AI model customization. La comprobación previa al entrenamiento es importante: los recursos de cómputo son caros y precisamente en este paso conviene no desperdiciarlos.

Aparte, AWS cita el testimonio de Splunk (empresa de Cisco). Para su producto Agent Observability necesitan modelos evaluadores, pero faltan datos para tareas tan específicas. En Splunk afirman que, con la generación sintética, obtienen con rapidez conjuntos representativos que conservan los patrones de los datos originales. Son palabras del cliente en un material de prensa; no hay cifras independientes.

Control y limitaciones

El servicio trabaja con un rol de IAM que usted gestiona. Los datos de origen, los conjuntos generados y las etiquetas se almacenan en sus buckets de S3 de la región elegida. Las funciones solo están disponibles de forma general en US East (N. Virginia) y US West (Oregon), de modo que los equipos europeos con requisitos de ubicación de datos tendrán que esperar.

La propia AWS recomienda no redactar las especificaciones a mano, sino crearlas con ayuda del agente y revisar después el resultado. Es un consejo honesto: la calidad de los datos sintéticos y del etiquetado automático depende de lo preciso que sea la descripción de la tarea. El jurado de modelos reduce el riesgo de errores, pero no sustituye al experto, y el umbral de confianza habrá que ajustarlo a cada dominio. El anuncio no incluye mediciones públicas de precisión ni de ahorro de tiempo.

La conclusión práctica es sencilla. Si ajusta un modelo pequeño para una tarea específica o monta un conjunto para evaluar agentes, conviene empezar por una sola tarea: describírsela al agente, revisar la especificación y la muestra de prueba y solo después escalar. El valor principal no reside en la generación en sí, sino en que la comprobación de calidad y la participación humana están integradas en el mismo proceso.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Cinco piezas en lugar de un pipeline artesanal?

La idea de AWS es evitar que el equipo tenga que unir a mano herramientas de etiquetado, scripts de generación y tareas de validación. Cada función opera por separado y se pueden encadenar. El etiquetado automático funciona con un conjunto sin etiquetar, con una pequeña semilla etiquetada o incluso sin etiquetas. De serie admite clasificación, extracción de entidades nombradas, extracción de respuestas de un texto, puntuaciones ordinales y resumen automático, y también se pueden describir tipos de tarea propios.

Cómo se ve en la práctica?

AWS expone el ejemplo de un equipo que valida un asistente de IA de soporte. El manual dice que restablecer los valores de fábrica borra los ajustes guardados, y es importante que el asistente no olvide avisar de ello. El equipo carga el manual como contexto y describe las preguntas necesarias y las respuestas de referencia. Después, con ayuda del agente, revisa la especificación redactada, genera un pequeño lote de prueba y contrasta los registros con el manual.

¿Qué se sabe sobre Control y limitaciones?

El servicio trabaja con un rol de IAM que usted gestiona. Los datos de origen, los conjuntos generados y las etiquetas se almacenan en sus buckets de S3 de la región elegida. Las funciones solo están disponibles de forma general en US East (N. Virginia) y US West (Oregon), de modo que los equipos europeos con requisitos de ubicación de datos tendrán que esperar. La propia AWS recomienda no redactar las especificaciones a mano, sino crearlas con ayuda del agente y revisar después el resultado.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…