O Amazon SageMaker fornece ferramentas específicas para operações de machine learning (MLOps), para ajudar você a automatizar e padronizar processos em todo o ciclo de vida de ML. Usando ferramentas de MLOps do SageMaker, você pode facilmente treinar, testar, solucionar, implantar e controlar modelos de ML em grande escala para aumentar a produtividade dos cientistas de dados e engenheiros de ML, mantendo ao mesmo tempo a performance dos modelos em produção.

A padronização dos ambientes de desenvolvimento de ML aumenta a produtividade dos cientistas de dados e, em última análise, o ritmo da inovação, facilitando o lançamento de novos projetos, o rodízio de cientistas de dados entre projetos e a implementação de práticas recomendadas de ML. O Amazon SageMaker Projects oferece modelos para provisionar rapidamente ambientes padronizados para cientistas de dados com ferramentas e bibliotecas bem testadas e atualizadas, repositórios de controle de origem, código estereotipado e pipelines de CI/CD.

Leia o guia do desenvolvedor para automatizar MLOps com o SageMaker Projects

A criação de modelos de ML é um processo iterativo que envolve o treinamento de centenas de modelos diferentes em busca das melhores opções de algoritmo, arquitetura de modelo e parâmetros, para alcançar o nível necessário de precisão de previsões. Você pode acompanhar as entradas e os resultados dessas iterações de treinamento para melhorar a repetibilidade dos testes e a colaboração entre os cientistas de dados usando o Amazon SageMaker Experiments, um recurso de gerenciamento de experimentos de ML totalmente gerenciado.

O SageMaker Experiments rastreia parâmetros, métricas, conjuntos de dados e outros artefatos relacionados aos seus trabalhos de treinamento de modelos. Ele oferece uma interface única na qual você pode visualizar seus trabalhos de treinamento em andamento, compartilhar experimentos com os colegas e implantar modelos diretamente de um experimento.

Gerencie o machine learning com o Amazon SageMaker Experiments

A automatização de fluxos de trabalho de treinamento ajuda você a criar um processo repetível para orquestrar as etapas do desenvolvimento de modelos para rápida experimentação e reciclagem de treinamento de modelos. Você pode automatizar todo o fluxo de trabalho de criação de modelos, incluindo preparação de dados, engenharia de recursos, treinamento de modelos, ajuste de modelos e validação de modelos, usando o Amazon SageMaker Pipelines. Você pode configurar o SageMaker Pipelines para que ele seja executado automaticamente em intervalos regulares ou quando determinados eventos forem acionados. Você também pode executá-lo manualmente conforme necessário.

Saiba mais sobre os Pipelines de Criação de Modelos do Amazon SageMaker

Muitas vezes, você precisa reproduzir modelos em produção para solucionar problemas com o comportamento de modelos e determinar a causa raiz. Para ajudar com isso, o Amazon SageMaker registra cada etapa do seu fluxo de trabalho, criando uma trilha de auditoria de artefatos de modelos, como dados de treinamento, definições de configuração, parâmetros de modelos e gradientes de aprendizado. Usando o rastreamento de linhagem, você pode recriar modelos para depurar possíveis problemas.

Saiba mais sobre o Rastreamento de Linhagem de ML do Amazon SageMaker

A criação de uma aplicação de ML envolve o desenvolvimento de modelos, pipelines de dados, pipelines de treinamento e testes de validação. Usando o Amazon SageMaker Model Registry, você pode rastrear versões de modelos, seus metadados, como agrupamento de casos de uso, e referências a métricas de performance de modelos em um repositório central, onde é fácil escolher o modelo certo para implantação com base nas suas necessidades de negócios. Além disso, o SageMaker Model Registry registra fluxos de trabalho de aprovação automaticamente para auditoria e conformidade.

Saiba mais sobre modelos de registro e implantação com o Model Registry

Fluxos de trabalho de desenvolvimento de ML devem se integrar a fluxos de trabalho de integração e implantação para oferecer rapidamente novos modelos para aplicações de produção. O Amazon SageMaker Projects traz práticas de CI/CD para ML, como manter a paridade entre ambientes de desenvolvimento e produção, controle de origem e versão, testes A/B e automação de ponta a ponta. Como resultado, você coloca um modelo em produção assim que ele é aprovado e, dessa maneira, aumenta a agilidade. 

Além disso, o Amazon SageMaker oferece defesas integradas para ajudar você a manter a disponibilidade dos endpoints e minimizar os riscos de implantação. O SageMaker se encarrega de configurar e orquestrar práticas recomendadas de implantação, como implantações azuis/verdes, para maximizar a disponibilidade e as integra a mecanismos de atualização de endpoints, como mecanismos de reversão automática, para ajudar você a identificar problemas automaticamente com antecedência e tomar medidas corretivas antes que eles afetem significativamente a produção.

Crie soluções completas de ML com CI/CD usando o SageMaker Projects

Depois que um modelo estiver em produção, você precisará monitorar sua performance, configurando alertas para que um cientista de dados de plantão possa solucionar o problema e acionar a reciclagem do treinamento. O Amazon SageMaker Model Monitor ajuda você a manter a qualidade, detectando desvios conceituais e de modelos em tempo real, bem como enviando alertas para que você possa tomar medidas imediatamente. O SageMaker Model Monitor monitora constantemente as características de performance dos modelos, como a precisão, que mede o número de previsões corretas em comparação com o número total de previsões, para que você possa lidar com quaisquer anomalias. O SageMaker Model Monitor é integrado ao SageMaker Clarify para melhorar a visibilidade de possíveis vieses.

Saiba mais 

O Amazon SageMaker facilita a implantação de modelos de ML para inferência com alta performance e baixo custo para qualquer caso de uso. Ele fornece uma ampla seleção de opções de implantação de modelos e infraestrutura de ML para atender a todas as suas necessidades de inferência de ML.

Saiba mais