SageMaker отдал подготовку датасетов агенту: разметка, синтика, проверка

Amazon SageMaker AI получил блоки подготовки обучающих и оценочных датасетов: авторазметку, human review, синтетику, проверку качества и трансформацию под выбранную технику обучения. Каждый шаг , отдельный модуль или звено цепочки; спецификации и сгенерированный код можно открыть в ноутбуке или IDE и поправить вручную. На узкой задаче меньшая модель на чистых данных нередко обходит большую general-purpose, натянутую промптами, , но сначала датасет часто неделями таскают через форматы, дубли и шум в лейблах. Идея релиза , не собирать labeling tools, скрипты генерации и validation jobs вручную. Что входит в набор Auto-labeling , разметка без лейблов, по небольшому seed или с нуля; классификация, NER, extractive QA, ordinal rating, summarization и свои типы задач. Где ответы из фиксированного списка, несколько моделей в «жюри» ставят лейбл, степень согласия , confidence score. Human review , строки ниже порога уходят в очередь в SageMaker Studio на Label Studio Community Edition; правки ревьюеров возвращаются в авторазметку. Synthetic data generation , примеры по спецификации с опорой на ваши документы и seed; на выходе код пайплайна, который можно масштабировать. Data quality evaluation , дубли и near-duplicates, label noise, answer leakage, свои бизнес-правила и метрики LLM-as-a-judge. Data transformation , dedupe, merge, split, filter или правка на естественном языке с генерацией кода; формат под SFT, DPO или RL. SDK или агент Либо SageMaker Python SDK со specification на входе, либо AI-ML skill в agent toolkit: агент в JupyterLab, Kiro или локальном IDE с ассистентом подбирает нужный API. Данные и лейблы остаются в ваших S3-бакетах под IAM-ролью, которую задаёте вы. В GA , регионы US East (N. Virginia) и US West (Oregon). Splunk (Cisco) в кейсе из анонса тянет synthetic data generation для GenAI Eval в Agent Observability: мало размеченных примеров и privacy съедают исходники. AWS показывает проход «генерация → transform под SFT, DPO или RL → quality eval до train» одной цепочкой, а не пачкой несвязанных job. Источник: Announcing AI data preparation capabilities in Amazon SageMaker: Build high-quality datasets for model development workflows .