何が起きたか
Amazon SageMaker Python SDK v3はスクリプトモードを再設計し、ModelTrainerとModelBuilderという2つの統合クラスを導入して、モデルのトレーニングと構築の方法を合理化します。
この投稿では、scikit-learnのランダムフォレストモデルと、LoRAを使用したStable Diffusion 3.5のマルチGPUファインチューニングという2つのエンドツーエンドの例でワークフローを示しています。
新しいSourceCodeメカニズムは、ローカルコードを実行時に任意のコンテナに同期し、開発者がDockerイメージを再ビルドせずに反復できるようにします。
なぜ重要なのか
モデルのトレーニングクラスと構築クラスを統合することで、これまで別々のAPIと設定を管理しなければならなかった開発者の負担が軽減されます。
コードを実行時に直接コンテナに同期することで、実験における大きなボトルネックが解消され、チームはより迅速に、かつインフラストラクチャのオーバーヘッドを抑えて変更をテストできます。
マルチGPUのLoRAファインチューニングのような大規模な例が含まれていることは、SDK v3が最新のリソース集約型ワークロードに対応していることを示しています。
主要な事実
SageMaker Python SDK v3はスクリプトモードを再設計します。
この再設計により、統合されたModelTrainerクラスとModelBuilderクラスが導入されます。
SourceCodeはローカルコードを実行時に任意のコンテナに同期します。
この投稿では、scikit-learnのランダムフォレストと、Stable Diffusion 3.5のマルチGPU LoRAファインチューニングを取り上げています。
次の注目点
これらの統合クラスが、すべてのSageMakerトレーニングワークフローのデフォルトパスになるかどうか。
ランタイムのコード同期機能が、より複雑で本番環境向けのデプロイシナリオをサポートするようにどう進化するか。