Todas las organizaciones tienen acceso a los mismos modelos básicos. La verdadera ventaja competitiva proviene de personalizarlos con sus datos patentados y su experiencia en el dominio. Pero llegar hasta ahí es complejo, incluso para equipos experimentados. Requiere dominar técnicas de ajuste como el ajuste fino supervisado (SFT), la optimización de preferencias directas (DPO) y las recompensas verificables del aprendizaje por refuerzo (RLVR), navegar por API fragmentadas y formatos de datos específicos del modelo, diseñar evaluaciones rigurosas y gestionar ciclos de experimentos de meses de duración.
Amazon SageMaker AI ahora ofrece una experiencia de agente que cambia esto. Los desarrolladores describen su caso de uso utilizando lenguaje natural, y el agente de codificación de IA agiliza todo el recorrido, desde la definición del caso de uso y la preparación de datos hasta la selección, evaluación e implementación de técnicas. Las habilidades de los agentes diseñadas específicamente brindan experiencia especializada en ajustes aplicados a su caso de uso específico, transformación de datos a los formatos requeridos, evaluación de calidad utilizando métricas de LLM como juez e implementación flexible en puntos finales de IA de Amazon Bedrock o SageMaker. Las habilidades de los agentes para la personalización de modelos no solo aumentan la productividad sino que también disminuyen el uso de tokens. Todo el código generado es completamente editable, lo que produce artefactos reutilizables que se integran perfectamente en los flujos de trabajo existentes.
Lo que hace que esta experiencia sea realmente poderosa son las habilidades de los agentes para la personalización del modelo. Son conjuntos de instrucciones modulares prediseñados que codifican una profunda experiencia en ciencia de datos y AWS durante todo el ciclo de vida de personalización. Cuando describe su caso de uso, el agente de codificación de IA activa las habilidades relevantes, guiándolo a través de la preparación y validación de datos, la selección de técnicas, la configuración de hiperparámetros, la evaluación del modelo y la implementación. Las habilidades brindan conocimiento especializado sobre las API de IA de SageMaker, los flujos de trabajo de aprendizaje automático, las mejores prácticas y los patrones comunes, lo que permite que su agente de codificación brinde una guía más precisa y específica de IA de SageMaker, generando cuadernos listos para ejecutar en cada paso. Las habilidades son totalmente personalizables, por lo que puede modificarlas para que coincidan con los flujos de trabajo, los estándares de gobernanza y las preferencias de herramientas de su equipo, lo que permite mejores prácticas organizativas reproducibles, un desafío común con los asistentes de codificación de uso general.
Amazon Kiro en SageMaker AI Studio JupyterLab
JupyterLab en SageMaker AI incluye un entorno de desarrollo agente integrado compatible a través de ACP. De forma predeterminada, Kiro, el agente de desarrollo de software de inteligencia artificial de Amazon, está preconfigurado en el panel de chat y brinda finalización de código con tecnología de inteligencia artificial, asistencia de depuración y soporte de codificación interactiva directamente dentro de su entorno JupyterLab. Cuando utiliza agentes de codificación en SageMaker AI JupyterLab, el espacio carga automáticamente las habilidades de personalización del modelo de SageMaker AI relevantes en el contexto de su agente.
Además, puede configurar otros agentes de codificación compatibles con el Protocolo de comunicación de agentes (ACP) de su elección, como Claude Code, lo que le brinda flexibilidad para trabajar con las herramientas que mejor se adapten a su flujo de trabajo. Los agentes compatibles con ACP pueden beneficiarse de la misma integración de SageMaker AI Skills cuando se utilizan dentro de SageMaker AI JupyterLab. Si bien este ejemplo muestra la integración con JupyterLab, también puede utilizar el acceso remoto a su propio IDE fuera de JupyterLab.
Requisitos previos
Antes de comenzar este tutorial, debe tener los siguientes requisitos previos:
Una cuenta de AWS La capacidad de acceder o crear un dominio de SageMaker AI. Si no tiene un dominio de SageMaker AI, puede crear uno usando las opciones de configuración rápida o configuración manual. Un rol de AWS IAM con los permisos requeridos. Un depósito de Amazon Simple Storage Service (Amazon S3). Puede acceder a un espacio de computación JupyterLab de SageMakerAI Studio o crearlo. No existe ningún requisito mínimo de tipo de instancia para utilizar las nuevas funciones. A partir de esta publicación, se requiere la versión 4.1 o superior de la imagen de distribución de SageMaker AI en su SageMakerAI Studio JupyterLab. Verifique o adjunte la política administrada de AmazonSageMakerFullAccess a la función de ejecución de su dominio. Adjunte la política en línea adicional para el acceso a Lambda, S3 y Bedrock al mismo rol de ejecución. La política de confianza de su rol de ejecución de SageMakerAI Studio debe permitir que estos tres servicios asuman el rol: sagemaker.amazonaws.com, lambda.amazonaws.com, bedrock.amazonaws.com.
Resumen de habilidades
Las habilidades del agente de SageMaker AI se crean de conformidad con el formato abierto de habilidades del agente. Los flujos de trabajo de personalización de modelos guiados por agentes se basan en nueve habilidades modulares que cubren el ciclo de vida completo de la personalización:
Nombre de la habilidad Fase Descripción Especificación del caso de uso Configuración Descubrimiento estructurado para definir el problema empresarial, los usuarios y los criterios de éxito Planificación Descubrimiento Genera un plan de personalización dinámico de varios pasos adaptado a su caso de uso Ajuste de la configuración Configuración, capacitación Selecciona el modelo base de SageMaker AI Hub y recomienda la técnica (SFT, DPO o RLVR) Evaluación del conjunto de datos Evaluación, capacitación Valida el formato y el esquema del conjunto de datos antes de la capacitación Transformación del conjunto de datos Ingeniería de datos Convierte entre formatos de datos de ML (chat OpenAI, SageMaker AI, Hugging Face, Amazon Nova) Capacitación de ajuste Genera cuadernos de capacitación para el ajuste fino sin servidor de SageMaker AI Evaluación de modelos Evaluación Configura la evaluación LLM como juez con métricas integradas y personalizadas Implementación del modelo Implementación Determina la ruta de implementación (punto final de SageMaker AI o Bedrock) y genera código
El agente de codificación (Kiro, Claude Code, Cursor, etc.) proporciona la interfaz conversacional mientras SageMaker AI Skills organiza el flujo de trabajo. Cuando interactúas con tu agente de codificación, este activa las habilidades relevantes. Esto le permite llamar a las API de IA de SageMaker, acceder a fuentes de datos de S3 e interactuar con registros de modelos a través de servidores MCP proporcionados por AWS. Se generan cuadernos de Jupyter que ejecutan cada paso del proceso en canalizaciones de ML existentes.
Técnicas de ajuste fino admitidas
Las habilidades de personalización del modelo actualmente admiten tres técnicas de ajuste y recomiendan la correcta durante la fase de planificación según su caso de uso.
Técnica Descripción Ideal para SFT (Ajuste fino supervisado) Entrena en pares de entrada/salida Comportamiento específico de la tarea: seguimiento de instrucciones, cumplimiento de formato, respuestas adaptadas al dominio DPO (Optimización de preferencias directas) Entrena en salidas preferidas versus rechazadas Alineación de tono, estilo y preferencias subjetivas para que coincidan con el juicio humano RLVR (Aprendizaje por refuerzo con recompensas verificables) Entrena usando funciones de recompensa basadas en código Tareas donde la corrección se puede verificar mediante programación
Implementación de la solución
Para esta solución, ajustará un modelo de lenguaje pequeño (SLM) en el conjunto de datos FreedomIntelligence/medical-o1-reasoning-SFT para crear un modelo de razonamiento clínico que recorra los casos médicos paso a paso antes de proporcionar un diagnóstico. Esto demuestra cómo el ajuste fino puede especializar un modelo de propósito general para tareas de razonamiento de dominio específico. Si desea probar un caso de uso diferente, SageMaker AI proporciona una biblioteca de conjuntos de datos de muestra de técnicas como SFT, DPO y RLVR que puede utilizar como punto de partida.
Empezando
Abra o cree un espacio de SageMaker AI con JupyterLab Vaya a SageMaker AI Studio Vaya a Espacios en el panel de navegación izquierdo o haga clic en "Personalizar con agente" desde el centro de modelos. O bien: Haga clic en Crear espacio y seleccione JupyterLab como su aplicación Abra un espacio existente que incluya JupyterLab
En esta publicación, comenzaremos usando Kiro y cambiaremos a Claude Code como nuestro agente de codificación. Para seguir usando Kiro, vaya a la sección Fase de planificación o pase a la siguiente sección para ver cómo usar Claude Code en JupyterLab.
Comience a usar Kiro en el panel de chat:
Kiro requiere autenticación antes de poder usarlo. El panel de chat lo guiará a través del proceso de autenticación.
En JupyterLab, abra el panel de chat haciendo clic en el icono de chat en la barra lateral derecha
Escriba @ para ver sus agentes disponibles. Seleccione @Kiro en el menú desplegable de agentes. Comience a hacer preguntas o solicitar asistencia con el código. 
La primera vez que uses Kiro en un espacio, te pedirá que inicies sesión. Para iniciar sesión, siga las instrucciones proporcionadas por el chat, o siga aquí:
En JupyterLab, abra una nueva terminal: Archivo > Nuevo > Terminal Ejecute el siguiente comando kiro-cli login –use-device-flow
Seleccione una de las 3 opciones de inicio de sesión en la terminal:
Usar gratis con Builder ID Usar gratis con Google o GitHub Usar con licencia Pro Ingrese un mensaje: "Quiero personalizar un modelo"
Configurando Claude Code en JupyterLab
SageMaker AI Studio admite la implementación de agentes de codificación adicionales mediante el Protocolo de control de agentes (ACP). Los agentes de ejemplo que admiten ACP incluyen:
Claude (a través de claude-agent-acp) OpenCode (a través de CLI de código abierto >= 1.0.0) Gemini (a través de CLI de gemini >= 0.34.0) Codex (a través de codex-acp)
Consulte la guía del usuario de JupyterLab para obtener más información sobre los pasos de instalación.
Para utilizar el Código Claude:
Instale la herramienta CLI en su terminal SageMaker AI Studio JupyterLab:
npm install -g @zed-industries/claude-agent-acp Reinicie el espacio ejecutando el comando restart-jupyter-server o reiniciando el espacio a través de la interfaz de usuario de Studio. Tenga en cuenta que esto resultará en la pérdida de cualquier trabajo no guardado o en el estado de la memoria (como los núcleos activos). Autenticarse con el agente siguiendo su proceso de autenticación específico Seleccione el agente del menú desplegable de personas en el panel de chat de JupyterLab (@Claude)
Claude Code se puede utilizar con la mayoría de las suscripciones de Anthropic, incluida la configuración de Claude Code con Amazon Bedrock en Amazon SageMaker AI Studio. Para configurar Claude Code para usar Claude a través de Amazon Bedrock, siga los requisitos previos en la guía de código de Claude, habilitando el acceso al modelo de Bedrock y proporcionando a su función de ejecución acceso a bedrock:InvokeModel y bedrock:InvokeModelWithResponseStream. Luego, cree el siguiente archivo para configurar Claude Code para usar Bedrock.
Fase de planificación
Al recibir el mensaje del usuario, el agente de codificación no comienza a ejecutar tareas de inmediato. Entra en una fase de planificación donde identifica y activa las habilidades necesarias para completar el trabajo. En el proceso, el agente genera un flujo de trabajo que los usuarios pueden revisar y modificar. Desde el mensaje inicial, el agente reconoce dos dominios de habilidades relevantes y activa tanto la habilidad de planificación para estructurar el flujo de trabajo general como la habilidad de ajuste y configuración para configurar el trabajo de capacitación. Antes de generar cualquier código, el agente hace preguntas específicas sobre la preparación del conjunto de datos y los detalles del caso de uso para informar sus recomendaciones de técnicas y métricas de evaluación.
Ajuste fino en SageMaker AI
Con múltiples familias de modelos y técnicas de ajuste disponibles, elegir el enfoque correcto para su caso de uso específico puede ser un desafío. El agente analiza la estructura de su conjunto de datos y los requisitos de las tareas para proporcionar recomendaciones técnicas y de modelos personalizados, lo que le ayudará a evitar costosos ciclos de prueba y error. SageMaker AI admite la personalización sin servidor en la familia de modelos Amazon Nova, GPT-OSS, Llama, Qwen y DeepSeek. Para este caso de uso, elegimos Qwen3-0.6B porque es rentable entrenarlo e implementarlo y, al mismo tiempo, es suficiente para tareas de dominios específicos como el razonamiento médico.
En el panel de chat, indique al agente: "Quiero perfeccionar un modelo de razonamiento clínico que recorra los casos médicos paso a paso antes de proporcionar un diagnóstico". Confirme el plan y responda las preguntas de seguimiento del agente. El agente genera un cuaderno de capacitación que utilizará un trabajo de capacitación sin servidor de SageMaker AI con métricas de capacitación y validación rastreadas a través de aplicaciones SageMakerAI MLflow integradas. Abra el cuaderno, verifique el código y ejecute las celdas del cuaderno para enviar el trabajo de capacitación. Supervise el trabajo dentro de su SageMaker AI Studio.
La pérdida del modelo mostrará una disminución constante durante el entrenamiento, lo que demostrará que aprendió con éxito a proporcionar un razonamiento clínico paso a paso antes de llegar a un diagnóstico. Para obtener una visión más profunda del conjunto completo de métricas y los desgloses por paso, podemos ver más en la aplicación MLflow.
Evaluación
Una vez que se completa el entrenamiento, debemos medir qué tan bien se desempeña el modelo ajustado en comparación con el modelo base. El agente recomienda un enfoque de evaluación basado en nuestro caso de uso, o podemos especificar las métricas que nos interesan, como la precisión en las preguntas de razonamiento médico pendientes o la mejora de la puntuación de recompensa con respecto al modelo base. Luego genera un cuaderno en SageMaker AI Studio JupyterLab que ejecuta la evaluación con un conjunto de datos de evaluación e informa los resultados, para que podamos validar el rendimiento del modelo. Los resultados de la evaluación también se distribuyen a MLflow para realizar comparaciones antes de pasar a la implementación.
Despliegue
Una vez completada la evaluación, el paso final es implementar el modelo ajustado para la inferencia. El agente nos guía a través de las opciones de implementación en SageMaker AI y Bedrock a través de Bedrock Custom Model Import, según nuestros requisitos de latencia, escalamiento e integración. Luego genera un cuaderno en JupyterLab que aprovisiona el punto final y ejecuta una solicitud de inferencia de muestra, para que podamos validar si el modelo implementado está listo para realizar predicciones.
Personalizar habilidades
Las habilidades incluidas con SageMaker AI cubren flujos de trabajo de ajuste fino comunes, pero también puede personalizar las habilidades existentes o crear otras nuevas para que coincidan con los estándares y herramientas de su organización. Por ejemplo, puede ampliar la habilidad de evaluación de modelos para incluir métricas específicas del dominio o agregar una nueva habilidad para un objetivo de implementación personalizado. Las habilidades se definen en archivos de rebajas simples en el directorio ~/.kiro/skills, lo que facilita su creación, control de versiones y compartir en toda su organización.
Conclusión
En esta publicación, recorrimos el ciclo de vida de personalización del modelo utilizando las habilidades del agente de IA de SageMaker. A partir de un único mensaje en lenguaje natural, el agente planificó el flujo de trabajo, configuró y ejecutó un trabajo de ajuste SFT en Qwen3-0.6B, evaluó los resultados con métricas adaptadas a nuestro caso de uso e implementó el modelo ajustado. La experiencia de personalización del modelo agente en Amazon SageMaker AI está disponible hoy. Puede comenzar en minutos. Simplemente inicie un espacio JupyterLab en SageMaker Studio con Kiro y Agent Skills preconfigurados, o incorpore las mismas Skills a su IDE preferido desde GitHub. Describe tu caso de uso en lenguaje natural y deja que el agente te guíe desde la preparación de los datos hasta la evaluación y la implementación.
Lo que antes requería meses de trabajo especializado en ML y conocimiento profundo ahora se puede completar en días. La experiencia está codificada. El flujo de trabajo es guiado. Y el código es tuyo. Comience hoy visitando el repositorio de GitHub para obtener el complemento de habilidades del agente de IA de SageMaker y la guía paso a paso. Revise la documentación para ver cómo la personalización del modelo sin servidor de SageMaker AI con habilidades de agente puede acelerar su camino desde la idea hasta los modelos de producción.
Sobre los autores
Lauren Mullennex
Lauren es arquitecta sénior de soluciones especializada en GenAI en AWS. Tiene más de una década de experiencia en ML, DevOps e infraestructura. Es autora publicada de un libro sobre visión por computadora. Fuera del trabajo, puedes encontrarla viajando y haciendo caminatas con sus dos perros.
Sandeep Raveesh
Sandeep es arquitecto de soluciones especializado en IA generativa en AWS. Trabaja con el cliente a lo largo de su recorrido AIOps a través de la capacitación de modelos, aplicaciones de IA generativa como agentes y la ampliación de casos de uso de IA generativa. También se centra en estrategias de comercialización que ayudan a AWS a crear y alinear productos para resolver los desafíos de la industria en el espacio de la IA generativa. Puede conectarse con Sandeep en LinkedIn para conocer las soluciones de inteligencia artificial generativa.
mike diamante
Mike es director principal de productos de Amazon SageMaker AI. Con dos décadas de experiencia en la aplicación de IA en dominios de alto riesgo, a Mike le apasiona la IA responsable y hacer que el aprendizaje automático sea más accesible a través de flujos de trabajo agentes y herramientas fáciles de usar para los desarrolladores.
Josué Towner
Joshua Towner es ingeniero de software sénior en AWS.
bobby lindsey
Bobby Lindsey es especialista en aprendizaje automático en Amazon Web Services. Ha estado en tecnología durante más de una década, abarcando diversas tecnologías y múltiples roles. Actualmente se centra en combinar su experiencia en ingeniería de software, DevOps y aprendizaje automático para ayudar a los clientes a ofrecer flujos de trabajo de aprendizaje automático a escala. En su tiempo libre, le gusta leer, investigar, hacer caminatas, andar en bicicleta y correr senderos.
Emily Moeng
Emily Moeng es gerente de ciencia de datos lingüísticos en AWS con experiencia en lingüística teórica y experimental. Se especializa en sintetizar objetivos de IA/ML en procesos sólidos y listos para la ejecución para la curación de datos, anotaciones y evaluación de modelos.
Vineet Sharma
Vineet es gerente sénior de marketing de productos y tecnología en AWS, especializado en Amazon SageMaker AI. Se especializa en estrategias de comercialización, lanzamientos de productos y traducción de servicios complejos de inteligencia artificial y aprendizaje automático en valor convincente para el cliente. Le apasiona crear excelentes experiencias para los clientes a través de mensajes claros e impactantes. Conéctese con él en LinkedIn.