Presentamos Amazon SageMaker: cómo acelerar el machine learning

Publicado en: 19 de oct de 2023

Hoy lanzamos Amazon SageMaker en la región secreta de AWS. Amazon SageMaker es un servicio de machine learning (ML) integral completamente administrado que permite a los científicos de datos, desarrolladores y expertos en ML crear, entrenar y alojar rápidamente modelos de ML a escala. Esto acelera drásticamente todas las iniciativas destinadas al ML y le permite agregar esta tecnología a sus aplicaciones de producción rápidamente.

 Lanzaremos 5 componentes principales para Amazon SageMaker:

• Creación: IDE del cuaderno de Jupyter alojados sin configuración para la exploración, la limpieza y el procesamiento previo de datos. Puede ejecutarlos en tipos de instancias generales o en instancias con tecnología de GPU.
• Entrenamiento de modelos: un servicio distribuido de creación, entrenamiento y validación de modelos. Puede usar algoritmos y marcos de aprendizaje comunes integrados, supervisados y no supervisados, o crear su propio entrenamiento con contenedores de Docker. El entrenamiento puede ampliarse a decenas de instancias para acelerar la creación de modelos. Los datos de entrenamiento se leen desde S3 y los artefactos del modelo se colocan en S3. Los artefactos del modelo son los parámetros del modelo que dependen de los datos, no el código que le permite hacer inferencias a partir de su modelo. Esta separación de responsabilidades facilita la implementación de los modelos entrenados en Amazon SageMaker en otras plataformas.
• Alojamiento de modelos: un servicio de alojamiento de modelos con puntos de conexión HTTP para invocar sus modelos y obtener inferencias en tiempo real. Estos puntos de conexión se pueden escalar para que admitan el tráfico y le permitan realizar pruebas A/B de varios modelos simultáneamente. Una vez más, puede generar estos puntos de enlace con el SDK incorporado o proporcionar sus propias configuraciones con imágenes de Docker. Amazon SageMaker Neo: Esto permite a los clientes entrenar modelos una sola vez y ejecutarlos en cualquier lugar con un rendimiento hasta 7 veces superior. Las aplicaciones que se ejecutan en dispositivos conectados en el borde son especialmente sensibles al rendimiento de los modelos de aprendizaje automático. Requieren decisiones de baja latencia y, a menudo, se implementan en un gran número de plataformas de hardware diferentes.
• Amazon SageMaker Neo compila modelos para plataformas de hardware específicas, optimizando su rendimiento automáticamente, lo que les permite ejecutarse con un rendimiento hasta siete veces superior, sin pérdida de precisión. Como resultado, los desarrolladores ya no necesitan pasar tiempo ajustando manualmente sus modelos entrenados para cada plataforma de hardware, lo que permite ahorrar tiempo y dinero. SageMaker Neo es compatible con plataformas de hardware de NVIDIA, Intel, Xilinx, Cadence y Arm, y marcos populares como Tensorflow, Apache MXNet y PyTorch.
• Amazon SageMaker GroundTruth: si quiere la flexibilidad de crear y administrar sus propios flujos de trabajo y personal para el de etiquetado de datos, puede usar SageMaker Ground Truth. SageMaker Ground Truth es un servicio de etiquetado de datos que facilita el etiquetado de los datos y le ofrece la opción de utilizar proveedores externos o su propio personal privado. También puede generar datos sintéticos etiquetados sin necesidad de recopilar o etiquetar manualmente datos reales. SageMaker Ground Truth puede generar cientos de miles de imágenes sintéticas etiquetadas automáticamente en su nombre.

El contenido de esta publicación es solo para fines informativos. Para obtener más información sobre Amazon SageMaker en la nube secreta, póngase en contacto con nosotros.