AWS宣布SageMaker AI数据准备功能正式可用,通过合成数据生成与自动标注加速模型开发
AWS在SageMaker AI中推出正式可用的AI数据准备工具,包括合成数据生成、多模型陪审团自动标注及质量评估,旨在解决GenAI项目中数据整理耗时长的瓶颈。
亚马逊云科技(AWS)于2026年11月17日宣布,其机器学习平台Amazon SageMaker AI新增的“AI数据准备”功能已正式可用(Generally Available)。该功能旨在帮助团队更高效地构建高质量的训练和评估数据集,直接应对生成式AI项目中数据整理往往成为最慢环节的挑战。
新能力包含五个核心模块:自动标注、人工审核、合成数据生成、数据质量评估和数据转换。在自动标注方面,系统使用多个模型组成“陪审团”对数据进行分类或实体识别,并将模型间的一致性作为置信度分数;低置信度的样本可自动进入Amazon SageMaker Studio的人工审核队列。合成数据生成功能允许用户基于规范文档和种子数据创建任务特定的示例,并生成可审查、可修改的代码化数据管道。数据质量评估则利用内置指标和大语言模型作为裁判(LLM-as-a-judge)来检测重复项、标签噪声和答案泄漏等问题。
这些功能可通过Python SDK API或在编码代理中使用AWS AI-ML技能进行调用,支持在JupyterLab、Kiro或本地IDE中工作。AWS强调,所有生成的数据和代码均保留在用户控制的Amazon S3存储桶中,且执行角色由用户的IAM权限管理,确保数据隐私和控制权。
思科旗下Splunk的工程总监Yash Sheth表示,该功能帮助其Agent Observability产品快速生成了统计上具有代表性的合成数据集,同时保留了模型依赖的基础模式,从而减少了数据科学家在数据整理上的时间。目前,该功能在美国东部(北弗吉尼亚)和美国西部(俄勒冈)区域正式可用。