Publicado en: Nov 28, 2018

Amazon SageMaker ahora admite nuevas capacidades para una mejor organización, experimentación y colaboración en flujos de trabajo de aprendizaje automático (ML). AWS Step Functions ahora está integrado con Amazon SageMaker y AWS Glue, lo que facilita la creación, la implementación, la monitorización e iteración de flujos de trabajo de ML. Con AWS Step Functions, ahora puede automatizar los flujos de trabajo de ML conectando varios trabajos de Amazon SageMaker en pocos minutos y con menos código. Ahora tenemos una nueva capacidad para ayudarlo a organizar, dar seguimiento y evaluar sus experimentos de formación en ML con Amazon SageMaker Search, que está disponible en su versión beta a partir de hoy. Por último, ahora puede asociar GitHUb, AWS CodeCommit y cualquier repositorio Git con alojamiento automático con instancias de notebook de Amazon SageMaker para colaborar de forma fácil y segura, y garantizar el control de versiones con Jupyter Notebooks. Visite la documentación de AWS Step Functions para obtener más detalles.

Por lo general, la automatización de los flujos de trabajo de ML implican escribir y mantener el código para definir la lógica del flujo de trabajo, monitorizar que se complete cada trabajo y corregir cualquier error. Los modelos ML deben administrarse para grandes conjuntos de datos antes de implementarlos en entornos de producción. Es necesario volver a implementar los modelos cada vez que uno cambia y se requieren múltiples equipos para asegurar que el modelo esté funcionando como se espera. Todo este proceso es complejo y puede ralentizar la entrega de aplicaciones. Con la integración de AWS Step Functions y Amazon SageMaker, puede automatizar la publicación de grandes y diversos conjuntos de datos en un lago de datos de Amazon S3, formar modelos de ML e implementarlos en producción. AWS Step Functions puede secuenciar y ejecutar trabajos en paralelo, y reintentar automáticamente la ejecución de cualquier trabajo con errores. La integración incluye el manejo integrado de errores, el paso de parámetros y la administración de los estados. Esto permite la aceleración durante la entrega de aplicaciones de ML seguras y resistentes, al tiempo que reduce la cantidad de código que debe escribir y mantener. 

Desarrollar un modelo de ML exitoso requiere de experimentación continua y de pruebas de nuevos algoritmos e hiperparámetros, mientras se observa cualquier impacto en el rendimiento y la precisión. Esto dificulta el seguimiento de la combinación única de conjuntos de datos, algoritmos y parámetros para lograr un modelo exitoso. Ahora puede organizar, hacer seguimiento y evaluar los experimentos de formación de modelos de aprendizaje automático con Amazon SageMaker Search. SageMaker Search lo ayuda a encontrar y evaluar rápidamente las ejecuciones de formación de modelos más relevantes de las miles que son posibles, directamente desde la consola de administración de AWS y a través del SDK de AWS para Amazon SageMaker. SageMaker Search está disponible en versión beta en 13 regiones de AWS donde Amazon SageMaker está actualmente disponible. Consulte el blog para obtener más información.

A menudo se requiere compartir ideas, tareas y colaborar para avanzar con el aprendizaje automático. El estándar de facto para la colaboración con el desarrollo de software tradicional ha sido el control de versiones, que también desempeña un papel importante en el aprendizaje automático. Ahora es posible asociar GitHUb, AWS Code Commit y cualquier repositorio Git con alojamiento automático con instancias de notebook de Amazon SageMaker para colaborar de forma fácil y segura, y garantizar el control de versiones con Jupyter Notebooks. Al usar los repositorios Git con Jupyter Notebooks, es fácil crear en conjunto proyectos, hacer seguimiento de cambios de código y combinar ingeniería de software y prácticas de ciencia de datos para la administración de código listo para producción. Puede detectar, ejecutar y compartir fácilmente las técnicas de aprendizaje automático y aprendizaje profundo que se proporcionan en los Jupyter Notebooks y que se alojan en GitHub. Consulte el blog para obtener más información. 

Por lo general, la automatización de los flujos de trabajo de ML implican escribir y mantener el código para definir la lógica del flujo de trabajo, monitorizar que se complete cada trabajo y corregir cualquier error. Los modelos ML deben administrarse para grandes conjuntos de datos antes de implementarlos en entornos de producción. Es necesario volver a implementar los modelos cada vez que uno cambia y se requieren múltiples equipos para asegurar que el modelo esté funcionando como se espera. Todo este proceso es complejo y puede ralentizar la entrega de aplicaciones. Con la integración de AWS Step Functions y Amazon SageMaker, puede automatizar la publicación de grandes y diversos conjuntos de datos en un lago de datos de Amazon S3, formar modelos de ML e implementarlos en producción. AWS Step Functions puede secuenciar y ejecutar trabajos en paralelo, y reintentar automáticamente la ejecución de cualquier trabajo con errores. La integración incluye el manejo integrado de errores, el paso de parámetros y la administración de los estados. Esto permite la aceleración durante la entrega de aplicaciones de ML seguras y resistentes, al tiempo que reduce la cantidad de código que debe escribir y mantener. 

Desarrollar un modelo de ML exitoso requiere de experimentación continua y de pruebas de nuevos algoritmos e hiperparámetros, mientras se observa cualquier impacto en el rendimiento y la precisión. Esto dificulta el seguimiento de la combinación única de conjuntos de datos, algoritmos y parámetros para lograr un modelo exitoso. Ahora puede organizar, hacer seguimiento y evaluar los experimentos de formación de modelos de aprendizaje automático con Amazon SageMaker Search. SageMaker Search lo ayuda a encontrar y evaluar rápidamente las ejecuciones de formación de modelos más relevantes de las miles que son posibles, directamente desde la consola de administración de AWS y a través del SDK de AWS para Amazon SageMaker. SageMaker Search está disponible en versión beta en 13 regiones de AWS donde Amazon SageMaker está actualmente disponible. Consulte el blog para obtener más información.

A menudo se requiere compartir ideas, tareas y colaborar para avanzar con el aprendizaje automático. El estándar de facto para la colaboración con el desarrollo de software tradicional ha sido el control de versiones, que también desempeña un papel importante en el aprendizaje automático. Ahora es posible asociar GitHUb, AWS Code Commit y cualquier repositorio Git con alojamiento automático con instancias de notebook de Amazon SageMaker para colaborar de forma fácil y segura, y garantizar el control de versiones con Jupyter Notebooks. Al usar los repositorios Git con Jupyter Notebooks, es fácil crear en conjunto proyectos, hacer seguimiento de cambios de código y combinar ingeniería de software y prácticas de ciencia de datos para la administración de código listo para producción. Puede detectar, ejecutar y compartir fácilmente las técnicas de aprendizaje automático y aprendizaje profundo que se proporcionan en los Jupyter Notebooks y que se alojan en GitHub. Consulte el blog para obtener más información.

Por lo general, la automatización de los flujos de trabajo de ML implican escribir y mantener el código para definir la lógica del flujo de trabajo, monitorizar que se complete cada trabajo y corregir cualquier error. Los modelos ML deben administrarse para grandes conjuntos de datos antes de implementarlos en entornos de producción. Es necesario volver a implementar los modelos cada vez que uno cambia y se requieren múltiples equipos para asegurar que el modelo esté funcionando como se espera. Todo este proceso es complejo y puede ralentizar la entrega de aplicaciones. Con la integración de AWS Step Functions y Amazon SageMaker, puede automatizar la publicación de grandes y diversos conjuntos de datos en un lago de datos de Amazon S3, formar modelos de ML e implementarlos en producción. AWS Step Functions puede secuenciar y ejecutar trabajos en paralelo, y reintentar automáticamente la ejecución de cualquier trabajo con errores. La integración incluye el manejo integrado de errores, el paso de parámetros y la administración de los estados. Esto permite la aceleración durante la entrega de aplicaciones de ML seguras y resistentes, al tiempo que reduce la cantidad de código que debe escribir y mantener. 

Desarrollar un modelo de ML exitoso requiere de experimentación continua y de pruebas de nuevos algoritmos e hiperparámetros, mientras se observa cualquier impacto en el rendimiento y la precisión. Esto dificulta el seguimiento de la combinación única de conjuntos de datos, algoritmos y parámetros para lograr un modelo exitoso. Ahora puede organizar, hacer seguimiento y evaluar los experimentos de formación de modelos de aprendizaje automático con Amazon SageMaker Search. SageMaker Search lo ayuda a encontrar y evaluar rápidamente las ejecuciones de formación de modelos más relevantes de las miles que son posibles, directamente desde la consola de administración de AWS y a través del SDK de AWS para Amazon SageMaker. SageMaker Search está disponible en versión beta en 13 regiones de AWS donde Amazon SageMaker está actualmente disponible. Consulte el blog para obtener más información.

A menudo se requiere compartir ideas, tareas y colaborar para avanzar con el aprendizaje automático. El estándar de facto para la colaboración con el desarrollo de software tradicional ha sido el control de versiones, que también desempeña un papel importante en el aprendizaje automático. Ahora es posible asociar GitHUb, AWS Code Commit y cualquier repositorio Git con alojamiento automático con instancias de notebook de Amazon SageMaker para colaborar de forma fácil y segura, y garantizar el control de versiones con Jupyter Notebooks. Al usar los repositorios Git con Jupyter Notebooks, es fácil crear en conjunto proyectos, hacer seguimiento de cambios de código y combinar ingeniería de software y prácticas de ciencia de datos para la administración de código listo para producción. Puede detectar, ejecutar y compartir fácilmente las técnicas de aprendizaje automático y aprendizaje profundo que se proporcionan en los Jupyter Notebooks y que se alojan en GitHub. Consulte el blog para obtener más información.