AWS, HyperPod’a eğitim doğrulama ve takılan iş kurtarma ekledi
Amazon SageMaker HyperPod; sayısal eğitim hatalarını, Kubernetes kaynak sorunlarını ve ilerlemeyen Slurm işlerini daha erken görünür kılan üç yeni güvenilirlik özelliği kazandı.

BİR BAKIŞTA
Haberin özeti
- MultiNodeTrainingValidation, EKS kümelerinde NaN, sonsuz değer ve zaman aşımı belirtilerini arıyor.
- Kubernetes izleme ajanı pod ve düğüm durumunu raporluyor; otomatik kurtarma uygulamıyor.
- Slurm takılan iş algılama bildirim, iptal ve yeniden kuyruğa alma seçenekleri sunuyor.
- Otomatik eylem öncesinde bildirim moduyla eşiklerin iş yüküne göre doğrulanması gerekiyor.
Neler değişiyor?
Amazon Web Services, 18 Kasım 2026’da Amazon SageMaker HyperPod için üç yeni güvenilirlik özelliğini duyurdu: EKS kümelerinde MultiNodeTrainingValidation, Kubernetes Resource Monitoring Agent ve Slurm kümelerinde takılan iş algılama. Yenilikler, donanım sağlıklı görünse bile eğitim kodunun yanlış sayısal sonuç üretmesi, podların beklemede kalması veya bir işin ilerlemeyi durdurması gibi pahalı arıza türlerini daha erken saptamayı amaçlıyor.
MultiNodeTrainingValidation, desteklenen GPU ve EFA yapılandırmalarında küçük bir Megatron tabanlı eğitim çalıştırarak NaN, sonsuz değer ve zaman aşımı işaretlerini kontrol ediyor. Test, küme sağlanırken ya da sonradan isteğe bağlı başlatılabiliyor. Ancak bu doğrulama, müşterinin gerçek modelinin yakınsayacağını veya veri hattının doğru olduğunu garanti etmiyor; sınırlı ve standartlaştırılmış bir kontrol işlevi görüyor.
Kubernetes Resource Monitoring Agent, EKS üzerindeki pod ve düğüm durumlarını izleyip raporluyor; düğümü yeniden başlatmıyor ve işi otomatik olarak kurtarmıyor. Slurm tarafındaki takılan iş algılama ise çıktı dosyası, GPU etkinliği veya kullanıcı tanımlı kurallar üzerinden ilerleme eksikliğini arıyor. Bir eşleşmede CloudWatch olayı üretebiliyor; yapılandırmaya göre yalnız bildirim gönderebiliyor ya da işi iptal edip yeniden kuyruğa alabiliyor. Özellik varsayılan olarak kapalı ve PyTorch, TensorFlow, JAX ile özel eğitim işlerinde betik ya da konteyner değişikliği olmadan kullanılabiliyor.
Otomatik eylem yanlış eşiklerle sağlıklı ve uzun süren adımları kesebileceği için AWS önce yalnız bildirim modunda başlamayı öneriyor. Geçersiz ya da eksik kural dosyası CONFIG_ERROR durumuna yol açabiliyor ve ilgili iş izlenmeden kalabiliyor. AWS’nin örnek hesabında 32 adet ml.p5.48xlarge düğümde sekiz saatlik bir takılma 2.048 GPU-saat ve yaklaşık 16.900 dolar kayıp anlamına gelirken, 15 dakikalık algılama bunu yaklaşık 530 dolara indiriyor. Bu rakamlar AWS’nin belirli fiyat ve küme varsayımlarına dayanan sağlayıcı örneği; tüm bölgeler ve iş yükleri için genellenemez.
Bu haber AI desteğiyle hazırlanır ve kaynaklarla karşılaştırılır. Otomatik kontrol, insan editör incelemesi anlamına gelmez. Yayın yaklaşımımız
Asıl kaynaklara göz at
Kaynak tarihi: 19 Kasım 2026.
AI Radar yayın saati: 19 Kas 2026 05:08 (Türkiye). Son güncelleme: 19 Kas 2026 06:03.
KONUYU TAKİP ET
Konular ve etiketler
Keşfini paylaş.
Bu haberi bir arkadaşına gönder.
Okuyucu yorumları
Bu gelişme hakkında ne düşünüyorsun? Deneyimini veya sorunu paylaş. Yorumlar editör onayından sonra yayımlanır.
Adın/takma adın ve yorumun onaylanırsa herkese açık görünür. Veri işleme hakkında: Gizlilik bilgilendirmesi.






Yorumlar yükleniyor…