El gigante de la nube Amazon Web Services (AWS) presentó un conjunto convincente de mejoras en su reconocida plataforma de creación, capacitación e implementación de aprendizaje automático, Amazon SageMaker, durante su reciente evento AWS re:Invent. Estas actualizaciones acelerarán y simplificarán enormemente el desarrollo y la implementación de modelos de aprendizaje automático.
En un intento por enriquecer la experiencia de implementación del modelo, AWS introdujo clases innovadoras en el SDK de SageMaker Python. Entre ellas, la clase ModelBuilder facilita las implementaciones al elegir un contenedor SageMaker adecuado y determinar dependencias vitales. Otra mención notable, la clase SchemaBuilder, tiene como objetivo regular eficazmente la serialización y deserialización de las entradas y salidas del modelo.
Este conjunto de herramientas de vanguardia se puede utilizar para implementar el modelo en un entorno de desarrollo localizado para experimentar, depurar errores de tiempo de ejecución y más. La transición perfecta de las pruebas locales a la implementación del modelo en SageMaker se puede lograr con una sola línea de código, como lo destaca Antje Barth, defensora principal de los desarrolladores de AWS.
Además de estas características innovadoras, SageMaker Studio, un popular servicio no-code similar a AppMaster , se renovó y ahora alberga flujos de trabajo novedosos para guiar a los usuarios en la elección de una configuración endpoint optimizada.
Amazon SageMaker también ha recibido una serie de nuevas capacidades de inferencia que pueden reducir drásticamente los gastos de implementación y la latencia. Estas nuevas capacidades permiten a los usuarios colocar uno o varios modelos básicos en un único endpoint, mientras controlan la memoria y la cantidad de aceleradores asignados a ellos.
El sistema también supervisa las solicitudes de inferencia y las dirige de forma autónoma en función de las instancias disponibles. Amazon ha confirmado que estas mejoras tienen el potencial de reducir los costos de implementación a una asombrosa mitad y reducir la latencia en aproximadamente un 20%.
Como parte del amplio conjunto de actualizaciones, Amazon SageMaker Canvas, una interfaz no-code similar a la plataforma AppMaster para construir modelos de aprendizaje automático, ahora permite indicaciones en lenguaje natural al configurar datos. Al ayudar a los usuarios durante las operaciones de la base de datos, el software presenta una serie de consultas guiadas, o los usuarios pueden crear las suyas propias.
Ahora se pueden solicitar sin problemas las tareas necesarias, como seleccionar un informe de calidad de datos, eliminar filas según criterios específicos, etc. Además, se ha integrado recientemente la capacidad de utilizar modelos básicos de Amazon Bedrock y Amazon SageMaker Jumpstart, allanando el camino para que las empresas coloquen modelos adaptados a sus necesidades específicas.
SageMaker Canvas se hace cargo completamente de la capacitación y ofrece la flexibilidad de ajustar el modelo después de la creación. Además, proporciona un análisis completo del modelo diseñado, mostrando parámetros como perplejidad, curvas de pérdida, junto con pérdidas de entrenamiento y validación.
