AWS SageMaker'da Eğitim Oturumları Genel Kullanıma Açıldı

Amazon Web Services (AWS), yapay zeka ajanlarını şirketlerin kendi iş akışlarına ve araç kullanımına göre özelleştirmeyi kolaylaştıran yeni bir yeteneği genel kullanıma açtı. Şirket, 22 Ekim'de Amazon SageMaker AI platformu içindeki Eğitim Oturumları (Training Sessions) özelliğini duyurdu. Bu özellikle geliştirici ekipler, mevcut bir modelin nasıl öğreneceğine dair eğitim prosedürünü yazıp başarı ölçütünü tanımlarken, GPU'ların işletilmesi, kaynakların tahsisi ve işlemlerin koordinasyonu AWS tarafından üstleniliyor.
Bir yapay zeka ajanının ikna edici konuşması, kendisine verilen işi doğru yapacağı anlamına gelmiyor. Doğru aracı seçmesi, şirketin iş akışını takip etmesi ve başarılı bir sonucu tanıması için modelin özelleştirilmesi gerekiyor. Bu özelleştirme ise her deneyin arkasındaki pahalı bilgi işlem altyapısının yönetilmesini de gerektiriyor. AWS, Eğitim Oturumları ile ikinci soruna odaklanıyor. Geliştirici kodu deneyi yönlendirirken, SageMaker bilgi işlem kaynaklarını tahsis ediyor, işlemciler arası çalışmayı koordine ediyor, hatalardan kurtarıyor ve eğitim ilerlemesini kaydediyor. Kurumsal ölçekte özelleştirilmiş ajanlar geliştiren ekipler için cazibe, esneklik ile azaltılmış operasyonel iş yükünün birleşiminde yatıyor. Ekipler, altyapıyı da kurmak zorunda kalmadan kendi geri bildirim mekanizmalarını deneyebiliyor. Bunun daha iyi veya daha ucuz bir model üretip üretmeyeceği ise göreve, eğitim verisine ve değerlendirmeye bağlı kalmaya devam ediyor.

SageMaker'da Mevcut Özelleştirmeden Farkı Ne?​

SageMaker yıllardır ince ayar (fine-tuning) desteği sunuyor. AWS, Eylül 2023'te JumpStart üzerinden Llama 2 özelleştirmesini hem görsel arayüz hem de Python SDK ile dokümante etmişti. Geliştiriciler ayrıca kendi eğitim betiklerini SageMaker Training Jobs'a getirebiliyordu. Bu yöntem geniş esneklik sağlıyor, AWS makineleri temin edip yönetirken, örnek türleri, eğitim ortamları ve dağıtık eğitim yapılandırması gibi seçimler müşteriye bırakılıyordu. Dolayısıyla özel eğitim mantığının kendisi SageMaker için yeni değil.
AWS, Aralık 2025'te sunucusuz (serverless) özelleştirmeyi ekledi. Ekipler desteklenen modelleri ve eğitim tekniklerini seçerken, bilgi işlem kaynaklarını AWS seçiyordu. Şirket, yönetilen çok turlu pekiştirmeli öğrenmenin de bugünkü sürümden önce var olduğunu belirtiyor. Eğitim Oturumları, daha ayrıntılı programlama kontrolünü bu sunucusuz yaklaşımla birleştiriyor. Geliştiriciler, yanıt üretme, güncellemeleri hesaplama ve uygulama gibi tekil işlemleri API çağrılarıyla yönlendirirken, AWS GPU yürütmesini yönetiyor. Kodları sıralamayı değiştirebiliyor, özel öğrenme hedefleri tanımlayabiliyor ve eğitim aşamalarını birleştirebiliyor.
Bu yenilik, daha az altyapı yapılandırmasıyla özelleştirilmiş sonradan eğitimi (post-training) çalıştırmanın yeni bir yolu olarak tanımlanıyor. AWS'nin sunucusuz teklifinin esnekliğini genişletiyor; SageMaker'a ilk kez ince ayar veya pekiştirmeli öğrenme getirmiyor. Bu esneklik, başarısı birden fazla eyleme bağlı olan ajanlar için önem taşıyor. Örneğin bir iç destek ajanı, dokümantasyona danışabilir, bir hesabı inceleyebilir ve bir yükseltme yolu seçebilir. Eğitimi, başarılı çözümü ödüllendirirken yetkisiz eylemleri cezalandıracak şekilde kurgulanabiliyor. AWS'nin duyurusu, daha geniş sunucusuz teklif içinde hem nispeten küçük eklentileri eğiten Düşük Dereceli Uyarlama (LoRA) hem de tüm parametreleri güncelleyen tam ince ayarı tanımlıyor. Mevcut oturumlar cookbook'u LoRA'yı gösteriyor ve blog her iki yaklaşımı her modelle eşleştirmiyor. Her iki yöntem de önceden eğitilmiş modelleri uyarlıyor.

Eğitim Döngüsü Nasıl Çalışıyor?​

AWS, işi müşteri kodu ile yönetilen hizmet arasında bölüyor. Müşterinin yazılımı deneyi yönlendiriyor, ajanı araçlara veya simüle edilmiş ortamlara bağlıyor ve davranışını puanlıyor. SageMaker ise yanıt üretmek ve modeli güncellemek için gereken yoğun hesaplamaları gerçekleştiriyor.
AWS bunu Grup Bağıl Politika Optimizasyonu (GRPO) ile örneklendiriyor: model bir istem için birkaç yanıt üretiyor, müşterinin puanlama işlevi bunları değerlendiriyor ve eğitim hizmeti, göreceli puanlarını kullanarak bir güncellemeye rehberlik ediyor. Süreç, revize edilen modelle tekrarlanıyor. AWS'nin eğitim cookbook'una göre model, işlemler arasında GPU belleğinde kalıyor. Geliştiriciler sonuçları incelemek ve prosedürü ayarlamak için duraklatabilirken, pekiştirmeli öğrenme deneyleri ayrı olarak dağıtılmış bir çıkarım uç noktası gerektirmeden yanıt üretebiliyor.
Cookbook, sohbet ince ayarı, matematik, programlama ve tercih öğrenimi için örnekler sunuyor. AWS ayrıca hazırlık, eğitim, değerlendirme ve dağıtıma kadar görevlerde kodlama asistanlarına yardımcı olacak ajan becerileri sağladığını belirtiyor; Kiro, Claude Code, Codex ve GitHub Copilot desteği bulunuyor. Bu yardımcılar teknik muhakeme ihtiyacını ortadan kaldırmıyor. Müşterinin yine de modelin ne öğrenmesi gerektiğini, ödüllerinin amaçlanan davranışı teşvik edip etmediğini ve iyileştirmelerin yabancı örnekler üzerinde yapılan testlerde kalıcı olup olmadığını belirlemesi gerekiyor.

İlk Kullanıcılar Sağlık Talepleri ve Araç Kullanımına Odaklandı​

AWS, erken benimseyenler olarak ImagineSoftware ve Karini AI'ı gösteriyor. ImagineSoftware, sağlık hizmetleri talep reddi triyajı için pekiştirmeli öğrenme ile bir model geliştirmek üzere hizmeti kullandı. Şirketin Veri Biliminden Sorumlu Kıdemli Başkan Yardımcısı Rob Gontarek, bireysel eğitim işlemlerini kontrol etme yeteneğini vurguluyor. Gontarek, AWS'nin duyurusunda "Eğitim Oturumları bize üretim seviyesinde performansa doğru ilerlemek için doğru yapı taşlarını veriyor" ifadesini kullandı.
Karini AI ise hizmeti, Amazon Neptune bilgi grafiği ile çok adımlı etkileşim kuran bir ajan için gpt-oss-20b'yi özelleştirmek amacıyla kullandı. CEO Nitin Wagh, azaltılmış kurulum işini ve eğitimi kaydedilmiş bir noktadan sürdürme yeteneğini öne çıkarıyor. Wagh, duyuruda "Geliştiricilerimize istedikleri esnekliği verirken operasyonel yükü omuzlarından aldı" dedi. Bu örnekler, AWS'nin hedeflediği özelleştirilmiş iş akışı türlerini gösteriyor. Yayınlanan duyuru, doğruluk, toplam maliyet veya dağıtım hızına ilişkin karşılaştırmalı müşteri rakamları içermediğinden, nicel bir yatırım getirisi ortaya koymuyor.

Token Bazlı Faturalandırma Maliyet Hesabını Değiştiriyor​

AWS, müşterilerin GPU kapasitesi rezerve etmek yerine model tarafından işlenen metin birimleri olan token'lara göre ödeme yaptığını belirtiyor. Eğitim oturumu ölçer, müşterinin kendi puanlama kodu bir partiyi değerlendirirken duraklıyor. Bu durum, model güncellemeleri arasında sonuçların değerlendirilmesinin önemli zaman aldığı durumlarda fark yaratabilir. Ancak boşta kalan bir eğitim oturumu ölçeri, çevredeki uygulamanın ücretsiz olduğu anlamına gelmiyor; ekipler ayrıca kullanılan bilgi işlem, depolama, değerlendirme hizmetleri ve üretim çıkarımı için de bütçe ayırmalı.
AWS'nin teknik dokümantasyonu faturalandırmayı girdi işleme, yanıt üretimi ve eğitim olarak ayırıyor. Anlamlı bir karşılaştırma bu nedenle tekrarlanan deneyler boyunca üç kalemin de tahmin edilmesini gerektiriyor. Lansman gönderisi dolar bazında birim fiyatları veya temsili bir toplam eğitim faturası açıklamıyor. AWS, müşterileri SageMaker fiyatlandırma sayfasına yönlendiriyor. Token bazlı faturalandırma tek başına, hizmetin eşdeğer işi özel altyapıda çalıştırmaktan daha ucuza mal olduğunu kanıtlamıyor.

Dört Model ve Bölgesel Destek​

AWS'nin yayınlanan duyurusu gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B ve Qwen3.8-27B için desteği doğruluyor. VentureBeat tarafından incelenen genel model tablosu ilk üç model için bölgeleri haritalarken, Qwen3.8-27B'nin nerede mevcut olduğunu henüz belirtmiyor.
AWS'nin cookbook'u desteklenen bölgeler olarak Kuzey Virginia, Oregon ve Mumbai'yi tanımlıyor. Model tablosu GPT-OSS-20B'yi üç bölgede de listelerken, Gemma-4-31B-it ve Qwen-3.6-27B'yi Oregon ve Mumbai'de gösteriyor. Dokümantasyon ayrıca ayarlanabilir varsayılan kota olarak aynı anda iki ince ayar oturumunu belirliyor. Geliştiriciler, SageMaker Python SDK ve cookbook kullanarak kendi geliştirme ortamlarından başlayabiliyor veya SageMaker Studio içinde çalışabiliyor. AWS, SDK yolu için Python 3.10 ile 3.12 sürümleri arasında Linux ve macOS'u listeliyor.

Rekabet ve Kurumsal Altyapı Entegrasyonu​

AWS, algoritma tasarımını GPU yönetiminden ayıran eğitim hizmetleri için yerleşik bir pazara giriyor. Thinking Machines Lab'in Tinker'ı, yanıt üretme, modelleri güncelleme ve ilerlemeyi kaydetme arayüzleriyle yakından ilişkili bir yaklaşım sunuyor. Yayınlanan fiyatlandırması da benzer şekilde girdi işleme, örnekleme ve eğitimi birbirinden ayırıyor. Zaten AWS kullanan bir kurumsal müşteri için potansiyel avantaj, eğitimin mevcut altyapı ve kontrollere nasıl uyum sağladığında yatıyor.
AWS, oturumların müşteri tanımlı erişim rolleri kullandığını ve müşteri tarafından yönetilen şifreleme anahtarları ile özel ağ yapılandırmalarını içerebileceğini belirtiyor. Eğitim verileri ve kaydedilen model kontrol noktaları, müşterilerin seçtiği bölgedeki kendi S3 depolama alanlarında bulunuyor. Şirket, müşterilerin verilerini veya özelleştirilmiş ağırlıklarını başka bir modeli eğitmek için kullanmadığını ifade ediyor. Duyuru ayrıca dağıtım öncesi değerlendirmeye ve sonrasında koruma bariyerleri (guardrails) ile CloudWatch izlemeye işaret ediyor. Bunlar ekiplerin uygulayabileceği kontroller; özelleştirilmiş bir modelin doğruluk veya güvenlik gereksinimlerini otomatik olarak karşıladığına dair kanıt değiller. AWS ayrıca özelleştirilmiş modellerin çıkarım için SageMaker üzerinde çalışabileceğini, seçili modellerin ise Amazon Bedrock'a aktarılabileceğini söylüyor. Bu nitelendirme önemli; duyuru desteklenen her modelin aynı dağıtım seçeneklerine sahip olduğunu ortaya koymuyor. Alıcılar için pratik test, ek eğitim kontrolünün ölçülebilir bir iş sorununu çözüp çözmediği. Faydalı bir pilot, özelleştirilmiş modeli görev tamamlama, hatalar ve toplam işletme maliyeti açısından mevcut yaklaşımla karşılaştırır. Eğitim oturumları bu deneydeki altyapı işini azaltabilir. Daha zor sorumluluk ise işletmede kalıyor: başarılı davranışın neye benzediğini tanımlamak ve modelin bunu öğrendiğini kanıtlamak.

Sıkça Sorulan Sorular​

AWS Eğitim Oturumları ne zaman ve nerede genel kullanıma açıldı?​

AWS, Amazon SageMaker AI içindeki Eğitim Oturumları yeteneğinin 22 Ekim'de genel kullanıma açıldığını duyurdu. Özellik, SageMaker AI platformu üzerinden sunuluyor ve geliştiricilerin SageMaker Python SDK ve cookbook ile veya SageMaker Studio üzerinden erişebileceği belirtiliyor.

Hangi modeller lansmanda destekleniyor?​

AWS'nin yayınlanan duyurusu gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B ve Qwen3.8-27B desteğini doğruluyor. Kaynakta yer alan bilgiye göre Qwen3.8-27B'nin bölgesel kullanılabilirliği henüz tabloda belirtilmiyor.

Eğitim döngüsü nasıl işliyor ve GRPO nedir?​

Müşteri kodu deneyi yönlendirip ajanı araçlara bağlıyor ve davranışını puanlarken, SageMaker yanıt üretme ve model güncelleme hesaplamalarını yapıyor. AWS'nin GRPO örneğinde model bir istem için birkaç yanıt üretiyor, müşteri puanlama işlevi bunları değerlendiriyor ve hizmet göreceli puanlara göre güncellemeyi yönlendiriyor.

Erken kullanıcılar bu hizmeti nasıl kullandı?​

ImagineSoftware, sağlık hizmetleri talep reddi triyajı için pekiştirmeli öğrenme ile model geliştirdi; Karini AI ise gpt-oss-20b'yi Amazon Neptune bilgi grafiğiyle çok adımlı etkileşim kuran bir ajan için özelleştirdi. Duyuruda her iki şirketin yöneticilerinin esneklik ve operasyonel yükün azalmasına ilişkin açıklamaları yer alıyor, ancak karşılaştırmalı doğruluk veya maliyet rakamı verilmiyor.

Faturalandırma ve bölgesel kullanılabilirlik nasıl?​

AWS, faturalandırmanın GPU rezervasyonu yerine işlenen token'lara göre yapıldığını ve müşteri puanlama kodu çalışırken ölçerin durakladığını belirtiyor; girdi işleme, yanıt üretimi ve eğitim ayrı kalemler olarak faturalandırılıyor ve dolar fiyatları duyuruda açıklanmıyor. Desteklenen bölgeler olarak Kuzey Virginia, Oregon ve Mumbai gösteriliyor; GPT-OSS-20B üç bölgede, Gemma-4-31B-it ve Qwen-3.6-27B Oregon ve Mumbai'de listeleniyor ve varsayılan kota iki eşzamanlı oturum olarak belirtiliyor.