A gigante da nuvem Amazon Web Services (AWS) revelou um conjunto atraente de melhorias em sua renomada plataforma de criação, treinamento e implantação de aprendizado de máquina, Amazon SageMaker, durante seu recente evento AWS re:Invent. Essas atualizações foram definidas para agilizar e simplificar imensamente o desenvolvimento e a implantação de modelos de aprendizado de máquina.
Na tentativa de enriquecer a experiência de implantação do modelo, a AWS introduziu classes inovadoras no SageMaker Python SDK. Entre eles, a classe ModelBuilder facilita as implantações escolhendo um contêiner SageMaker adequado e determinando dependências vitais. Outra menção notável, a classe SchemaBuilder, visa regular efetivamente a serialização e desserialização de entradas e saídas do modelo.
Este conjunto de ferramentas de ponta pode ser utilizado para implantar o modelo em um ambiente de desenvolvimento localizado para experimentação, depuração de erros de tempo de execução e muito mais. A transição perfeita do teste local para a implantação do modelo no SageMaker pode ser alcançada com uma mera linha de código, conforme destacado pela principal desenvolvedora da AWS, Antje Barth.
Além desses recursos inovadores, o SageMaker Studio, um serviço popular no-code semelhante ao AppMaster , passou por uma reformulação, agora abrigando novos fluxos de trabalho para orientar os usuários na escolha de uma configuração endpoint otimizada.
O Amazon SageMaker também recebeu uma série de novas capacidades de inferência que podem diminuir drasticamente as despesas de implantação e a latência. Esses novos recursos permitem que os usuários estacionem um ou vários modelos básicos em um único endpoint, enquanto controlam a memória e o número de aceleradores alocados a eles.
O sistema também supervisiona as solicitações de inferência e as direciona de forma autônoma com base nas instâncias disponíveis. A Amazon confirmou que essas melhorias têm o potencial de reduzir os custos de implantação pela metade e diminuir a latência em cerca de 20%.
Como parte do extenso conjunto de atualizações, o Amazon SageMaker Canvas, uma interface no-code semelhante à plataforma AppMaster para construção de modelos de aprendizado de máquina, agora permite prompts em linguagem natural ao configurar dados. Ajudando os usuários durante as operações do banco de dados, o software apresenta uma série de consultas guiadas, ou os usuários podem criar as suas próprias.
Tarefas necessárias, como a curadoria de um relatório de qualidade de dados, eliminação de linhas com base em critérios específicos, etc., agora podem ser solicitadas sem problemas. Além disso, a capacidade de utilizar modelos básicos do Amazon Bedrock e do Amazon SageMaker Jumpstart foi recentemente integrada, abrindo caminho para que as empresas estacionem modelos adaptados às suas necessidades específicas.
O SageMaker Canvas assume total controle do treinamento e oferece flexibilidade para ajustar o modelo após a criação. Além disso, fornece uma análise abrangente do modelo desenvolvido, exibindo parâmetros como perplexidade, curvas de perdas, além de perdas de treinamento e validação.
