AWS adiciona rotulagem automática e dados sintéticos ao SageMaker AI para treinar modelos
Preparar dados para fine-tuning consome semanas: a rotulagem é cara, e os conjuntos escondem duplicatas e vazamento de respostas. A Amazon adicionou ao SageMaker AI ferramentas em que um júri de vários modelos rotula as linhas e as duvidosas seguem para revisão de especialistas. A plataforma também gera dados sintéticos e verifica a qualidade antes do início do treinamento. Para equipes com uma tarefa específica, isso ajuda a montar um dataset limpo mais rápido.
Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Toda equipe que já fez fine-tuning de um modelo para a sua tarefa sabe: a parte mais demorada vem antes de o treinamento começar. É preciso encontrar ou rotular exemplos, eliminar duplicatas, converter tudo para o formato do método escolhido e ainda garantir que respostas do conjunto de teste não vazaram para a amostra de treinamento. A Amazon decidiu atacar esse problema e ampliou o SageMaker AI com um conjunto de recursos de preparação de dados. Eles estão disponíveis pelo Python SDK e pela AI-ML skill para agentes de código.
Cinco blocos no lugar de um pipeline artesanal
A proposta da AWS é evitar que a equipe costure manualmente ferramentas de rotulagem, scripts de geração e tarefas de validação. Cada recurso funciona de forma independente, e é possível encadeá-los.
A rotulagem automática funciona com um conjunto sem rótulos, com uma pequena amostra rotulada de partida ou até sem nenhum rótulo. Classificação, extração de entidades nomeadas, extração de respostas de um texto, avaliações ordinais e sumarização já vêm prontas para uso, e também é possível descrever tipos de tarefa próprios. A rotulagem é descrita em uma especificação curta, que primeiro é testada nos seus exemplos e só depois aplicada a todo o conjunto. Nas tarefas com um conjunto fixo de respostas, cada linha é rotulada por um júri de vários modelos, e o grau de concordância entre eles se transforma em uma pontuação de confiança.
As linhas com baixa confiança entram em uma fila de revisão manual no SageMaker Studio. A fila usa o Label Studio Community Edition, de código aberto, e especialistas externos acessam por link. As correções feitas por eles voltam para a rotulagem automática e melhoram a passagem seguinte.
Os dados sintéticos são gerados a partir de uma especificação e podem se basear nos seus documentos e em exemplos de partida. O serviço entrega o código do pipeline de geração, que pode ser lido, modificado e executado novamente.
A avaliação de qualidade verifica o conjunto segundo as suas regras de negócio, métricas embutidas e métricas com LLM como juiz. Ela procura duplicatas e quase-duplicatas, além de problemas em que você não pensou, como ruído nos rótulos e vazamento de respostas. A transformação de dados limpa e reestrutura o conjunto: você pode descrever a mudança em linguagem comum e receber o código, usar operações prontas, como deduplicação, mesclagem, divisão e filtragem, ou rodar o seu próprio Python.
Como isso funciona na prática
A AWS cita o exemplo de uma equipe que avalia um assistente de IA de suporte. O manual diz que a restauração das configurações de fábrica apaga os parâmetros salvos, e é importante que o assistente não deixe de avisar sobre isso. A equipe carrega o manual como contexto e descreve as perguntas necessárias e as respostas de referência. Depois, com a ajuda de um agente, revisa a especificação criada, gera um pequeno lote de teste e confere os registros com o manual. Em seguida, executa a avaliação de qualidade, encaminha as respostas controversas a um especialista, corrige a especificação ou limpa as duplicatas, gera mais exemplos e verifica o conjunto mais uma vez.
Para um cenário de ponta a ponta, a sugestão é a seguinte cadeia: gerar dados a partir dos documentos, convertê-los para o formato de SFT, DPO ou aprendizado por reforço, checar duplicatas, vazamentos e violações de regras e só então iniciar o treinamento pelo SageMaker AI model customization. A verificação antes do treinamento importa: os recursos computacionais são caros, e é nessa etapa que vale economizá-los.
A AWS também apresenta o depoimento da Splunk (empresa da Cisco). Para o produto Agent Observability, a Splunk precisa de modelos avaliadores, mas faltam dados para tarefas tão específicas. A empresa afirma que, com a geração sintética, obtém rapidamente conjuntos representativos que preservam os padrões dos dados originais. São palavras do cliente em material de divulgação; não há números independentes.
Controle e limitações
O serviço trabalha com um papel do IAM sob o seu controle. Os dados de origem, os conjuntos gerados e os rótulos ficam nos seus buckets do S3, na região escolhida. Os recursos estão em disponibilidade geral apenas em US East (N. Virginia) e US West (Oregon), então equipes europeias com requisitos de localização de dados terão de esperar.
A própria AWS recomenda não escrever as especificações à mão, mas criá-las com a ajuda de um agente e depois ler o resultado. É uma orientação honesta: a qualidade dos dados sintéticos e da rotulagem automática depende da precisão com que a tarefa é descrita. O júri de modelos reduz o risco de erros, mas não substitui o especialista, e o limiar de confiança terá de ser ajustado ao seu domínio. O anúncio não traz medições públicas de acurácia nem de economia de tempo.
A conclusão prática é simples. Se você faz fine-tuning de um modelo pequeno para uma tarefa específica ou monta um conjunto para avaliar agentes, vale começar por uma única tarefa: descrevê-la ao agente, examinar a especificação e a amostra de teste e só depois escalar. O principal valor está na verificação de qualidade e na participação humana embutidas no mesmo processo, mais do que na geração em si.
- 20 de nov. de 2026Amazon SageMaker lança fine-tuning completo de LLMs: 90% de soluções corretas em código
- 20 de nov. de 2026Anthropic levanta US$ 81,3 bilhões no IPO e supera o recorde de US$ 75 bilhões da SpaceX
- 20 de nov. de 2026AWS divide a adoção de IA responsável para agentes em 3 fases ao longo de 12 semanas
- 20 de nov. de 2026Anthropic levanta US$ 104,8 bilhões no IPO, mas compromissos com infraestrutura chegam a US$ 1 trilhão
Perguntas frequentes sobre a notícia
O que se sabe sobre Cinco blocos no lugar de um pipeline artesanal?
A proposta da AWS é evitar que a equipe costure manualmente ferramentas de rotulagem, scripts de geração e tarefas de validação. Cada recurso funciona de forma independente, e é possível encadeá-los. A rotulagem automática funciona com um conjunto sem rótulos, com uma pequena amostra rotulada de partida ou até sem nenhum rótulo.
Como isso funciona na prática?
A AWS cita o exemplo de uma equipe que avalia um assistente de IA de suporte. O manual diz que a restauração das configurações de fábrica apaga os parâmetros salvos, e é importante que o assistente não deixe de avisar sobre isso. A equipe carrega o manual como contexto e descreve as perguntas necessárias e as respostas de referência. Depois, com a ajuda de um agente, revisa a especificação criada, gera um pequeno lote de teste e confere os registros com o manual.
O que se sabe sobre Controle e limitações?
O serviço trabalha com um papel do IAM sob o seu controle. Os dados de origem, os conjuntos gerados e os rótulos ficam nos seus buckets do S3, na região escolhida. Os recursos estão em disponibilidade geral apenas em US East (N. Virginia) e US West (Oregon), então equipes europeias com requisitos de localização de dados terão de esperar. A própria AWS recomenda não escrever as especificações à mão, mas criá-las com a ajuda de um agente e depois ler o resultado.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.