Publicado en: Jul 25, 2023
Amazon SageMaker Canvas ahora admite la posibilidad de proporcionar una ubicación de salida personalizada en Amazon S3 para artefactos de machine learning (ML), como modelos entrenados, informes de explicabilidad y resultados de predicción, lo que le permite organizar y estructurar el directorio de salida de forma que se ajuste a sus necesidades y preferencias específicas. SageMaker Canvas es una interfaz visual que permite a los analistas de negocios y a los ciudadanos científicos de datos generar predicciones de ML precisas por su cuenta, sin la necesidad de contar con experiencia en esta tecnología ni de escribir una sola línea de código.
Al especificar una ubicación de Amazon de salida personalizada, tiene control sobre dónde se almacenan los artefactos de ML. Puede crear directorios separados para diferentes usuarios o cumplir con las convenciones de su organización. Cuando los artefactos de ML se almacenan en una ubicación de salida personalizada, también resulta sencillo acceder a ellos y compartirlos con otros usuarios. Puede proporcionar acceso directo a la ubicación especificada, compartir la ruta con colegas o colaboradores o incluso automatizar el proceso de distribución o despliegue de los artefactos en ubicaciones o plataformas específicas. Hasta ahora, SageMaker Canvas creaba previamente una ubicación de salida en S3 que no se podía cambiar. A partir de hoy, puede especificar su propia ubicación S3 personalizada al configurar un dominio o perfil de usuario de SageMaker y obtener control, estructura y eficiencia a la hora de administrar los resultados de sus experimentos de ML.
Esta nueva característica ahora está disponible en todas las regiones de AWS donde se admite SageMaker Canvas. Para obtener más información, consulte la documentación del producto SageMaker Canvas.