AIKraft/AI/Войти
AIKraft/Skills/aws-ai-ml

aws-ai-ml

Управляет полным циклом ML на Amazon SageMaker: от выбора моделей в SageMaker Hub и подготовки данных до тонкой настройки (SFT, DPO, RLVR, RLAIF) и развертывания в SageMaker Endpoints или Bedrock. Применяется для оптимизации инференса, диагностики ошибок, настройки IAM и S3, а также работы с PySDK v3 и Serverless Model Customization. Не подходит для Ground Truth, Feature Store или общей инфраструктуры AWS.

aws official Разработка ★ 2.8k

Что делает навык

Навык управляет полным циклом кастомизации моделей на Amazon SageMaker: от планирования и выбора базовых моделей в SageMaker Hub до тонкой настройки (SFT, DPO, RLVR, RLAIF) и развертывания в SageMaker Endpoints или Bedrock. Он обеспечивает структурированное выполнение задач, включая подготовку данных, оценку моделей и настройку инфраструктуры.

Когда применять

  • Выбор базовой модели из SageMaker Hub и определение стратегии развертывания (Nova vs OSS).
  • Выбор метода тонкой настройки (SFT, DPO, RLVR, RLAIF) и валидация качества датасета перед обучением.
  • Генерация кода для обучения, запуск jobs и последующая оценка или бенчмарк обученной модели.
  • Развертывание модели в SageMaker Endpoints или Bedrock, оптимизация инференса и диагностика ошибок эндпоинта.
  • Настройка окружения: создание IAM ролей, S3 бакетов, конфигурация PySDK v3 и настройка MLflow.

Как работает

  1. Определить намерение пользователя и загрузить соответствующую папку из references (например, planning, model-selection, finetuning).
  2. При планировании или неоднозначности сначала активировать use-case-specification для фиксации требований, затем model-selection для выбора модели.
  3. Настроить окружение через sdk-getting-started (IAM, S3, SDK) и при необходимости инициализировать MLflow.
  4. Выполнить валидацию и трансформацию датасета через dataset-evaluation и dataset-transformation.
  5. Запустить процесс тонкой настройки (finetuning) с выбранным методом (SFT, DPO и др.) и оценить результат через model-evaluation.
  6. Развернуть модель через model-deployment или диагностировать проблемы через endpoint-diagnostics.

Примеры запросов агенту

«Выбери лучшую базовую модель для классификации текстов и подготовь план её развертывания в Bedrock»
«Проверь качество моего датасета и выбери метод тонкой настройки DPO для выбранной модели»
«Мой SageMaker Endpoint упал с ошибкой, проведи диагностику и покажи логи контейнера»

Что понадобится

  • Настроенная среда AWS с доступом к SageMaker, S3 и IAM.
  • Установленный AWS SDK for Python (PySDK v3).
  • Переменная окружения AWS_SDK_UA_APP_ID=AWSSkill-SageMaker перед выполнением CLI-команд.

Описание составлено по SKILL.md навыка, сверено 07.10.2026.

Как подключить

1Скачать навык
# возьмите папку навыка «aws-ai-ml» из репозитория: # https://github.com/aws/agent-toolkit-for-aws
2Положить папку с SKILL.md к навыкам ассистента
# положите папку навыка туда, где ассистент ищет skills: cp -r aws-ai-ml/ ~/.claude/skills/aws-ai-ml/

Навык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.