Publicado en: Jun 2, 2022
Ahora, Amazon SageMaker JumpStart admite ajuste de modelos con el ajuste de modelos automático de SageMaker mediante su modelo entrenado previamente, plantillas de solución creadas con anterioridad y cuadernos de ejemplo. Esto significa que los clientes pueden ajustar automáticamente sus modelos de machine learning para encontrar valores de hiperparámetros con la mayor precisión dentro del rango que los clientes brindan mediante la API de SageMaker.
SageMaker JumpStart permite a los clientes ajustar e implementar una amplia variedad de modelos previamente entrenados en tareas de ML populares, además de una selección de soluciones integrales que resuelven problemas empresariales comunes. Dichas características eliminan la pesada carga que implica cada paso del proceso de ML, de modo que facilitan el desarrollo de modelos de alta calidad y reducen el tiempo de implementación. Los clientes pueden acceder a JumpStart mediante las API en el cuaderno y la interfaz de usuario en SageMaker Studio con tan solo unos clics.
A través de la integración con el ajuste de modelos automático de SageMaker, los cuadernos de ejemplo de API de JumpStart ahora incluyen un paso para encontrar la mejor versión del modelo al ejecutar trabajos de entrenamiento con el conjunto de datos proporcionado con varias configuraciones de hiperparámetros. De este modo, se reduce el tiempo de ajuste de los modelos al buscar automáticamente la mejor configuración de hiperparámetros con los rangos de hiperparámetros predeterminados o los que especifique.
Para obtener más información acerca del ajuste de modelos automatizado de SageMaker, consulte la documentación. Para comenzar a utilizar SageMaker JumpStart, consulte la página de introducción y la publicación de blog sobre el lanzamiento de la API.