AI y modelosConfirmadoAWS SageMaker AI ha lanzado nuevas APIs de sesión de entrenamiento, dando a los desarrolladores control sin precedentes sobre la personalización del modelo AI sin servidor, incluyendo bucles de entrenamiento personalizado para técnicas avanzadas como el aprendizaje de refuerzo, sin gestionar la infraestructura de GPU.
El 22 de octubre de 2026, Amazon SageMaker AI anunció la disponibilidad general de APIs de sesión de entrenamiento para su oferta de personalización de modelos sin servidor. Estas API están disponibles en las regiones del Este de los Estados Unidos (N. Virginia), el Oeste de los Estados Unidos (Oregon) y Asia Pacífico (Mumbai).
Las nuevas API de sesión de capacitación proporcionan a los clientes control directo sobre sus algoritmos de post-entrenamiento sin exigirles que proporcionen o administren la infraestructura de GPU. Esto se expande a las capacidades existentes de SageMaker AI, que anteriormente ofrecía técnicas gestionadas como Supervised Fine-Tuning (SFT), Optimización de Preferencias Directas (DPO), y otros métodos de aprendizaje de refuerzo (RL) donde SageMaker AI manejaba la ejecución de entrenamiento basado en técnicas y modelos seleccionados por el cliente.
Con la introducción de APIs de sesión de entrenamiento, los desarrolladores ahora pueden escribir bucles de entrenamiento personalizados. Esto les permite reproducir técnicas existentes como SFT o DPO en sus propios términos, o implementar funciones de pérdida personalizada, nuevas señales de recompensa RL, planes de datos o algoritmos derivados de investigaciones recientes. Las operaciones específicas, como `forward backward()`, `optim step()`, y `sample()`, están expuestas como llamadas de API contra una sesión en vivo y estatal.
SageMaker AI gestiona la infraestructura subyacente y los aspectos operativos de estas sesiones, incluyendo la asignación de GPU, carga de modelos y pesos de LoRA ( Adaptación Low-Rank), ejecución distribuida, recuperación de fallas, almacenamiento de puntos de control y seguridad. Los desarrolladores interactúan con estas operaciones directamente desde su código Python para impulsar objetivos de entrenamiento personalizados, incluyendo el aprendizaje de refuerzo y el ajuste de multa supervisado, con control incorporado y funcionalidad de reanudación de la actividad.
El modelo de facturación para estas sesiones de formación es procesado por token. La computación local, como la puntuación de recompensa en RL, no se factura como tiempo de GPU. Para ayudar a los desarrolladores, SageMaker AI ha lanzado el libro de cocina de sesiones de entrenamiento SageMaker, una colección de recetas SFT y RL listas para funcionar que sirven como planos para bucles de entrenamiento personalizados. Comenzar implica instalar el SDK SageMaker Python, clonar el libro de cocina o utilizar un agente de codificación dentro de SageMaker Studio.
La introducción de APIs de sesión de entrenamiento para Amazon SageMaker AI representa un cambio significativo en el equilibrio entre abstracción y control para la personalización del modelo AI. Anteriormente, SageMaker AI ofreció un enfoque de alto nivel y gestionado donde los desarrolladores seleccionaron una técnica y un modelo, y el servicio se ocupó de la ejecución del entrenamiento. Si bien es conveniente para casos de uso estándar, esta abstracción limita la capacidad de aplicar metodologías de capacitación altamente especializadas o experimentales. Las nuevas API superan esta brecha, ofreciendo un control granular sobre el bucle de entrenamiento mientras conservan los beneficios de un modelo de infraestructura sin servidor.
Este desarrollo aborda directamente un reto común en la ingeniería avanzada de IA: la necesidad de una lógica de entrenamiento personalizada que se desvía de marcos predefinidos o servicios gestionados. Técnicas como algoritmos de aprendizaje de refuerzo novedosos, currículos de datos complejos o funciones de pérdida impulsadas por la investigación a menudo requieren la manipulación directa de los pases hacia adelante y hacia atrás, pasos optimizadores y muestreo de datos. Al exponer operaciones tales como `forward backward()`, `optim step()`, y `sample()` como llamadas de API, SageMaker AI proporciona los primitivos necesarios para que los desarrolladores construyan estos bucles personalizados. Esto permite que los ingenieros de IA se centren en la innovación algorítmica en lugar de las complejidades operativas del entrenamiento de GPU distribuido.
La naturaleza inservible de estas sesiones de capacitación es una consecuencia de ingeniería clave. SageMaker AI maneja explícitamente la asignación de GPU, modelo y carga LoRA, ejecución distribuida, recuperación de fallas, almacenamiento de puntos de control y seguridad. Esta abstracción elimina una sobrecarga operacional sustancial para los desarrolladores, que ya no necesitan gestionar instancias EC2, orquestación de contenedores, conductores de GPU o marcos de capacitación distribuidos. Para los equipos que anteriormente mantenían agrupaciones de GPU personalizadas o tuberías MLOps complejas para el ajuste fino, esto puede reducir significativamente los costos de gestión de infraestructura y acelerar ciclos de iteración. La capacidad de interactuar con una sesión en vivo y estatal a través del código Python integra bien los flujos de trabajo y herramientas de la ciencia de datos existentes.
El modelo de facturación, basado en fichas procesadas en lugar de tiempo GPU, introduce un vector de optimización de costes distinto. Para los procedimientos de capacitación que impliquen una computación local sustancial (por ejemplo, cálculos complejos de la función de recompensa en el aprendizaje del refuerzo, aumento de datos extensos o pasos previos al procesamiento que se ejecutan en la CPU), este modelo puede dar lugar a una utilización más eficiente de los recursos y menores costos. Los desarrolladores son incentivizados para descargar tanto computación no intensivo de GPU como sea posible a su entorno local o al componente CPU de la sesión sin servidor, pagando sólo por las operaciones centrales de GPU que procesan fichas. Esto contrasta con la facturación tradicional de GPU, donde toda la computación dentro de la instancia GPU asignada contribuye a costar, independientemente de si la GPU está procesando activamente tensores.
El cuaderno de sesiones de formación SageMaker, que proporciona recetas SFT y RL listas para funcionar, sirve como un habilitador crítico para la adopción. Estos planos ofrecen ejemplos prácticos de cómo construir bucles de entrenamiento personalizados utilizando las nuevas API, bajando la barrera a la entrada para los desarrolladores poco familiarizados con este nivel de control dentro de un servicio gestionado. Para investigadores e ingenieros de IA que empujan los límites de la personalización de modelos, esta capacidad facilita la experimentación rápida y la implementación de técnicas de vanguardia sin los costos prohibitivos de configuración y mantenimiento asociados con la infraestructura autogestionada. El enfoque pasa de la ingeniería de infraestructura a la ingeniería de algoritmos, lo que podría acelerar el desarrollo de modelos AI más especializados y performantes adaptados a requisitos específicos de dominio. Mientras que las API ofrecen control granular sobre el ciclo de entrenamiento, la infraestructura subyacente sigue siendo gestionada por AWS, lo que significa que los desarrolladores no tienen control directo sobre aspectos como configuraciones de hardware específicas o entornos de sistemas operativos; su control se centra en los pasos algoritmos dentro del entorno de ejecución proporcionado.