2026. augusztus 27., csütörtök · Eszközök

Az AWS bemutatta a SageMaker Python SDK v3-at és annak új script mode-ját

Az AWS hivatalos blogbejegyzése szerint megjelent a SageMaker Python SDK v3, amely alapjaiból újratervezi a script mode funkciót, amelyet a vállalat először 2021-ben mutatott be. Az új verzió a keretrendszer-specifikus estimator osztályokat (SKLearn, PyTorch, XGBoost) egyetlen, egységes ModelTrainer és ModelBuilder osztállyal váltja fel a tanításhoz, illetve a modellek üzembe helyezéséhez. A SourceCode konfigurációs objektum futásidőben szinkronizálja a helyi kódkönyvtárat a tanítási feladatba, így egy Amazon ECR-ből származó konténerkép újraépítése nélkül is módosítható a kód. A bejegyzés két végpontig tartó példát mutat be: egy scikit-learn Random Forest tanítását és üzembe helyezését, valamint a Stable Diffusion 3.5 finomhangolását LoRA technikával, Hugging Face Accelerate segítségével, több GPU-n.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A frissítés leegyszerűsíti azoknak a fejlesztőknek a munkáját, akik saját tanítási vagy következtetési kódot futtatnak SageMaker-en, mert a kódmódosításhoz nem kell újraépíteni a konténert.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #Amazon SageMaker#SDK v3

Napi összefoglaló

Ez a hír a 2026. augusztus 27., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Az AWS automatizálja a generatív AI modellek üzembe helyezését a SageMaker-ben

Az AWS blogbejegyzése szerint az Amazon SageMaker AI 2026-ban eddig 13 új képességet vezetett be a generatív AI modellek üzemeltetésére, két úton: kezelt végpontokon, ahol az AWS kezeli az infrastruktúrát, illetve a Kubernetes-natív SageMaker HyperPod Inference megoldáson keresztül. A cég kiemeli az optimalizált következtetési ajánlásokat, amelyek automatizálják a megfelelő instancia, konténer és optimalizálási beállítás kiválasztását, ami a vállalat állítása szerint korábban 2-3 hetes manuális benchmarkolást igényelt több mint ezer kombináción. A háromlépéses folyamat (szűkítés, optimalizálás EAGLE 3.0 spekulatív dekódolással és tenzorparalelizmussal, majd NVIDIA AIPerf-fel végzett benchmarkolás) végén egy kész SageMaker modell jön létre. A bejegyzés az AWS saját terméke, így az állítások a vállalattól származnak, független megerősítés nem szerepel a forrásban.

AWS útmutatót adott ki termékcímkéző AI rendszer építéséhez SageMakerrel

Az AWS hivatalos blogbejegyzése egy gyakorlati útmutatót mutat be arra, hogyan lehet automatizált termékcímkéző rendszert építeni kiskereskedelmi katalógusokhoz az Amazon SageMaker szerver nélküli modell-testreszabási funkciójával. A leírás szerint a Qwen3-8B nyílt súlyú modellt előbb felügyelt finomhangolással (SFT), majd ellenőrizhető jutalmakon alapuló megerősítéses tanulással (RLVR, GRPO algoritmussal) optimalizálják egy rögzített címketaxonómiára. Az AWS állítása szerint ez a megközelítés jobban illeszkedik a szűk, programozottan pontozható feladatokhoz, mint egy általános célú frontier modell promptolása, mivel nem kell fizetni olyan széles körű képességekért, amelyekre a munkafolyamatnak nincs szüksége. A betanítást a SageMaker szerver nélkül kezeli, a végleges modellt pedig Amazon SageMaker Asynchronous Inference szolgáltatással telepítik kötegelt katalógus-feldolgozásra. A cikk technikai lépéseket és AWS-erőforrás-igényeket is részletez, IAM-jogosultságoktól kezdve az S3-tárolóig.

Anthropic ingyenes AI-biztonsági szkennert indít nyílt forráskódú projekteknek

Az Anthropic ingyenes OSS Scanner nevű szolgáltatást indított, amely a legerősebb modelljeivel, köztük a Claude Mythosszal, rendszeresen átvizsgálja az erre jelentkező nyílt forráskódú projekteket, és automatikusan jelzi, elmagyarázza és javítja a talált sebezhetőségeket. A cég szerint a jelentések pontossága meghaladja a 90 százalékot, de azokat nem ellenőrzi ember, így hibás vagy téves riasztások is előfordulhatnak. Az Anthropic emellett egy hosszú távú Cyber Mission programot is indított: ennek Critical Infrastructure Defense Program nevű ága áram-, víz- és közlekedési hálózatok üzemeltetőinek biztosít hozzáférést Claude-modellekhez, mérnökökhöz és fenyegetéselemzéshez, alapító partnerként a CrowdStrike, a Palo Alto Networks, a Deloitte és a Rockwell Automation vesz részt benne. A The Verge szerint hasonló AI-alapú hibakeresők korábban is találtak már komoly biztonsági réseket, például a májusi, szinte minden Linux-disztribúciót érintő „Copy Fail” hibát, ugyanakkor több projekt, köztük Linus Torvalds csapata és a Google is küzd az AI-generálta hibajelentések hirtelen özönével.

A GitHub Rustra migrálta a Copilot futtatókörnyezetét AI-asszisztált átírással

A GitHub a Copilot CLI, a Copilot alkalmazás és a Copilot SDK mögötti futtatókörnyezetet TypeScript/Node.js helyett Rustra migrálta, a vállalat állítása szerint több mint 800 ezer sornyi produkciós kódot cserélve le AI-asszisztált átírással. A GitHub közlése szerint a migráció mintegy 14,5 hétig tartott, 128 pull requesten és 135 kiadáson (35 stabil, 100 előzetes) keresztül, miközben a szolgáltatás futott. A cég szerint egy mért indítási-munkamenet-forgatókönyv 5,25 másodpercről 292 ezredmásodpercre gyorsult, ha a Rust-futtatókörnyezetet közvetlenül a folyamatba ágyazták, mivel a korábbi Node.js/V8-alapú megoldás folyamathatáron kommunikált és kliensenként kb. 100 MB memóriát igényelt. Augusztus 21-re a kódbázis 832 378 sor produkciós Rust kódot és 468 689 sor Rust unit tesztet tartalmazott, a GitHub szerint 4478 cargo check futásból 87,1% hiba nélkül lezárult. A közösségi visszhang szerint az AI-asszisztált migrációk ellenőrzése komoly kihívás, különösen a megszakítás, újrapróbálkozás és visszanyomás (backpressure) jellegű viselkedések esetében, amelyeket puszta fordítási siker nem igazol.