Il gigante del cloud Amazon Web Services (AWS) ha presentato una serie interessante di miglioramenti alla sua rinomata piattaforma di creazione, formazione e distribuzione di machine learning, Amazon SageMaker, durante il suo recente evento AWS re:Invent. Questi aggiornamenti sono destinati ad accelerare e semplificare enormemente lo sviluppo e l’implementazione di modelli di machine learning.
Nel tentativo di arricchire l'esperienza di distribuzione del modello, AWS ha introdotto classi innovative nell'SDK SageMaker Python. Tra questi, la classe ModelBuilder facilita le distribuzioni scegliendo un contenitore SageMaker adatto e determinando le dipendenze vitali. Un'altra menzione degna di nota, la classe SchemaBuilder, mira a regolare in modo efficace la serializzazione e la deserializzazione degli input e degli output del modello.
Questa suite di strumenti all'avanguardia può essere utilizzata per distribuire il modello in un ambiente di sviluppo localizzato per la sperimentazione, il debug degli errori di runtime e altro ancora. La transizione senza soluzione di continuità dai test locali alla distribuzione del modello in SageMaker può essere ottenuta con una semplice riga di codice, come evidenziato da Antje Barth, Principal Developer Advocate di AWS.
Oltre a queste funzionalità rivoluzionarie, SageMaker Studio, un popolare servizio no-code simile ad AppMaster , è stato sottoposto a un rinnovamento e ora ospita nuovi flussi di lavoro per guidare gli utenti nella scelta di una configurazione endpoint ottimizzata.
Amazon SageMaker ha inoltre ricevuto una serie di nuove capacità di inferenza che ridurranno drasticamente le spese di distribuzione e la latenza. Queste nuove funzionalità consentono agli utenti di posizionare uno o più modelli di base su un unico endpoint, controllando al tempo stesso la memoria e il numero di acceleratori ad essi assegnati.
Il sistema supervisiona inoltre le richieste di inferenza e le indirizza autonomamente in base alle istanze disponibili. Amazon ha confermato che questi miglioramenti hanno il potenziale per ridurre i costi di implementazione della metà e ridurre la latenza di circa il 20%.
Nell'ambito dell'ampia serie di aggiornamenti, Amazon SageMaker Canvas, un'interfaccia no-code simile alla piattaforma AppMaster per la costruzione di modelli di machine learning, ora consente istruzioni in linguaggio naturale durante l'impostazione dei dati. Assistendo gli utenti durante le operazioni del database, il software presenta una raffica di richieste guidate, oppure gli utenti possono crearne di proprie.
Le attività necessarie come la cura di un report sulla qualità dei dati, l'eliminazione di righe in base a criteri specifici, ecc. possono ora essere richieste senza problemi. Inoltre, è stata recentemente integrata la possibilità di utilizzare modelli di base di Amazon Bedrock e Amazon SageMaker Jumpstart, aprendo la strada alle aziende per creare modelli su misura per le loro esigenze specifiche.
SageMaker Canvas si assume la responsabilità completa della formazione e offre la flessibilità necessaria per mettere a punto il modello dopo la creazione. Inoltre, fornisce un'analisi completa del modello ideato, mostrando parametri come perplessità, curve di perdita, insieme alle perdite di formazione e convalida.
