El SDK de SageMaker mejora los flujos de trabajo de entrenamiento e inferencia
Hoy presentamos la nueva clase ModelTrainer y mejoramos la clase ModelBuilder en el SDK de Python de SageMaker. Estas actualizaciones agilizan los flujos de trabajo de entrenamiento y simplifican las implementaciones de inferencias.
La clase ModelTrainer permite a los clientes configurar y personalizar fácilmente estrategias de entrenamiento distribuidas en Amazon SageMaker. Esta nueva característica acelera los tiempos de entrenamiento de los modelos, optimiza la utilización de los recursos y reduce los costos mediante un procesamiento paralelo eficiente. Los clientes pueden realizar una transición sin inconvenientes de sus puntos de entrada y contenedores personalizados desde un entorno local a SageMaker. Esto evita la necesidad de administrar la infraestructura. ModelTrainer simplifica la configuración al reducir los parámetros a solo unas pocas variables principales y proporcionar clases fáciles de usar para interacciones intuitivas con los servicios de SageMaker. Además, con la clase ModelBuilder mejorada, los clientes ahora pueden implementar fácilmente los modelos HuggingFace, cambiar de desarrollos en un entorno local a SageMaker y personalizar su inferencia mediante sus scripts de procesamiento previos y posteriores. Es importante destacar que los clientes ahora pueden pasar fácilmente los artefactos del modelo entrenado de la clase ModelTrainer a la clase ModelBuilder, lo que permite una transición sin problemas del entrenamiento a la inferencia en SageMaker.
Puede obtener más información sobre la clase ModelTrainer aquí, las mejoras de ModelBuilder aquí y empezar a usar los cuadernos de ejemplo de ModelTrainer y ModelBuilder.