La svolta AI di AWS: unlearning selettivo su Amazon Nova e l’integrazione con MiniMax

📌 In Sintesi

• AWS porta i modelli MiniMax su Bedrock con API gestite, caching e tier di inferenza flessibili.
• Amazon Nova introduce unlearning selettivo, redazione PII nelle immagini e workflow più sicuri.
• SageMaker migliora RL multi-turn, integrazione Hugging Face e streaming benchmark su MLflow.

Amazon Web Services rafforza il proprio stack per l’intelligenza artificiale generativa con una serie di aggiornamenti che coprono modelli foundation, sicurezza dei dati, addestramento, deployment e osservabilità. Le novità più rilevanti riguardano l’arrivo dei modelli MiniMax su Amazon Bedrock, l’introduzione dell’unlearning selettivo per Amazon Nova, la redazione automatica di informazioni personali identificabili nelle immagini, nuove infrastrutture per il reinforcement learning multi-turn su SageMaker HyperPod e integrazioni più dirette con Hugging Face e MLflow. Il quadro è quello di una piattaforma AI sempre più modulare, nella quale le aziende possono scegliere modelli open-weight, personalizzare salvaguardie, automatizzare pipeline di training e monitorare benchmark senza uscire dall’ecosistema AWS. La direzione è chiara: ridurre la complessità operativa dell’AI in produzione e aumentare al tempo stesso governance, sicurezza e controllo sui workload aziendali.

MiniMax arriva su Amazon Bedrock per workload di produzione

Amazon Bedrock offre ora accesso diretto ai modelli open-weight MiniMax M2, M2.1 e M2.5, pensati per carichi di lavoro di produzione che richiedono generazione multilingue, ragionamento, coding e capacità agentiche. MiniMax M2 supporta una finestra di contesto fino a 1 milione di token, caratteristica utile per analisi documentali estese, pipeline RAG, conversazioni lunghe e applicazioni enterprise che devono gestire grandi quantità di contesto senza frammentare eccessivamente i prompt. Le versioni M2.1 e M2.5 riducono il contesto a 196.000 token, ma migliorano ragionamento, accuratezza nel codice e tool-calling.

In particolare, M2.5 è addestrato con reinforcement learning per esecuzione agentica, quindi risulta più adatto a workflow in cui il modello deve scegliere strumenti, coordinare passaggi e produrre output strutturati. La disponibilità su Bedrock elimina la necessità di gestire direttamente infrastruttura, scaling, provisioning GPU e integrazioni di sicurezza, trasformando modelli complessi in servizi richiamabili via API.

Architettura MoE e API compatibili con OpenAI

I modelli MiniMax disponibili su Bedrock adottano un’architettura Mixture-of-Experts con 230 miliardi di parametri totali e circa 10 miliardi di parametri attivi per token. Questo disegno consente di mantenere una capacità modellistica elevata senza pagare il costo computazionale pieno di un modello denso equivalente a ogni inferenza. Per le aziende, il vantaggio è duplice: maggiore efficienza economica e minore latenza operativa su task ripetitivi o conversazionali. L’accesso avviene attraverso due endpoint principali. bedrock-mantle espone un’API Chat Completions compatibile con gli SDK OpenAI, facilitando la migrazione di applicazioni già costruite intorno a quel paradigma. bedrock-runtime consente invece l’uso delle API native Converse e InvokeModel, più integrate con i servizi AWS. I clienti possono scegliere tra tier Standard, Priority e Flex, bilanciando costi e latenza in base al tipo di applicazione. Il caching implicito dei prompt riduce ulteriormente la latenza nelle conversazioni multi-turn e nelle pipeline RAG, mentre AWS conferma che prompt e dati non vengono usati per addestrare i modelli né condivisi con i provider.

Amazon Nova introduce unlearning selettivo per le salvaguardie AI

La novità più delicata dal punto di vista della governance riguarda Amazon Nova, che introduce tecniche di unlearning selettivo sui modelli foundation. L’obiettivo non è cancellare conoscenza generica dal modello, ma modificare in modo controllato alcune salvaguardie di responsible AI senza riaddestrare l’intero sistema da zero. Attraverso i Customizable Content Moderation Settings, gli utenti approvati possono intervenire su quattro pilastri: Safety, Sensitive content, Fairness e Security. Le protezioni considerate essenziali, come privacy e tutela dei minori, restano invece non modificabili.

Il metodo si basa su adapter LoRA addestrati con Reverse Direct Preference Optimization, una variante che inverte l’obiettivo della DPO per allontanare il modello dalle risposte di rifiuto e avvicinarlo a risposte target di qualità. Rispetto a tecniche come NPO, rDPO promette convergenza più rapida e migliore conservazione delle capacità generali. Nei test citati da AWS, alcune configurazioni riducono i tassi di deflessione di oltre 50 punti percentuali con degradazione minima sui benchmark di utilità. Gli adapter possono essere condivisi tramite AWS Resource Access Manager e utilizzati direttamente su Amazon Bedrock, semplificando il riuso controllato all’interno di organizzazioni complesse.

Nova 2 Lite orchestra la redazione automatica delle PII nelle immagini

Amazon Nova viene impiegato anche per una pipeline serverless di redazione automatica delle PII nelle immagini, un’esigenza sempre più rilevante per dataset destinati ad addestramento, auditing, compliance e archiviazione. La soluzione usa Nova 2 Lite come orchestratore intelligente. Il flusso parte dal caricamento delle immagini in un bucket Amazon S3: il modello valuta se il contenuto include informazioni personali identificabili e, se non rileva rischi, sposta il file in una cartella noPII.

Quando invece individua elementi sensibili, attiva due percorsi paralleli. Il primo usa Segment Anything Model su SageMaker per il rilevamento visivo, il secondo usa Amazon Textract per il riconoscimento testuale. Nova coordina i risultati, genera maschere di redaction precise e verifica l’immagine finale. Se residua PII, l’oggetto viene inviato a revisione umana. Il vantaggio dell’approccio contestuale sta nella capacità di gestire casi complessi, come volti parziali, riflessi, testi separati dal contesto o elementi sensibili non immediatamente riconoscibili da un singolo modello specializzato. La redazione preserva l’utilità dell’immagine per usi successivi, riducendo il rischio di esposizione involontaria di dati personali.

SageMaker HyperPod automatizza il reinforcement learning multi-turn

Per l’addestramento di modelli Amazon Nova con reinforcement learning multi-turn, AWS propone una nuova infrastruttura automatizzata su SageMaker HyperPod. L’architettura adotta un modello a due fasi: risorse persistenti create con AWS CDK e risorse effimere attivate on-demand quando vengono caricati dati su S3. Il training utilizza SageMaker HyperPod su istanze P5 per GRPO e generazione con vLLM, mentre ECS su Fargate esegue i reward worker. Il Nova Forge SDK gestisce lo stato delle conversazioni multi-turn, elemento necessario quando il modello deve apprendere non da singoli prompt isolati, ma da sequenze dialogiche e azioni successive. L’orchestrazione tramite Step Functions ed EventBridge rende il processo event-driven, con provisioning e rilascio dinamico delle risorse. La soluzione supporta ambienti personalizzati e metodi come RFT_MULTITURN_FULL e RFT_MULTITURN_LORA, offrendo scalabilità, osservabilità e controllo dei costi grazie alla separazione tra componenti stabili e componenti temporanee. Per i team ML, questo riduce la distanza tra sperimentazione avanzata e pipeline ripetibili in produzione.

Hugging Face entra in SageMaker Studio con un click

AWS semplifica anche il passaggio dai modelli pubblicati su Hugging Face a Amazon SageMaker Studio. Dalla pagina del modello, l’utente può selezionare Customize on SageMaker AI o Deploy on SageMaker AI e, dopo l’autenticazione AWS, viene portato direttamente in SageMaker Studio con il modello già caricato nella pagina di personalizzazione o deployment. L’ambiente include automaticamente le policy IAM necessarie per fine-tuning e distribuzione, riducendo uno dei principali attriti operativi per chi sperimenta modelli open source. Durante la selezione delle istanze, viene mostrata anche la disponibilità delle quote GPU, aspetto pratico ma importante perché evita configurazioni destinate a fallire per limiti di capacità o permessi. Questa integrazione rende più lineare il passaggio dalla scoperta del modello alla sperimentazione controllata e al deployment gestito. Per aziende con team misti, dove data scientist, ML engineer e cloud engineer lavorano su responsabilità diverse, il flusso riduce errori manuali e accelera la validazione dei modelli.

MLflow riceve benchmark e recommendation job in tempo reale

Amazon SageMaker AI supporta ora lo streaming automatico dei risultati di benchmark e recommendation job direttamente su MLflow. Metriche, parametri e grafici vengono inviati in tempo reale a un esperimento MLflow ospitato su SageMaker MLflow App, eliminando la necessità di raccogliere manualmente dati da job separati. La funzione si abilita creando l’app MLflow in Studio, configurando le autorizzazioni e includendo MlflowConfig nell’output del job. Il beneficio è operativo: i team possono confrontare rapidamente istanze, configurazioni, ottimizzazioni e profili di performance senza ricostruire report ex post. Il monitoraggio in tempo reale permette anche di interrompere precocemente job che non raggiungono gli obiettivi di latenza, throughput o costo, evitando sprechi di risorse. L’audit trail completo migliora tracciabilità, riproducibilità e governance, elementi essenziali quando i benchmark servono a giustificare decisioni di produzione. Nel complesso, queste novità consolidano AWS come piattaforma integrata per l’intero ciclo di vita AI: scelta del modello, personalizzazione, sicurezza, addestramento, deployment, misurazione e ottimizzazione continua.