Amazon Sagemaker

Cree, entrene e implemente modelos de machine learning (ML) para cualquier caso de uso con infraestructura, herramientas y flujos de trabajo completamente administrados.

¿Por qué Amazon SageMaker?

Amazon SageMaker es un servicio totalmente administrado que reúne un amplio conjunto de herramientas para permitir el machine learning (ML) de alto rendimiento y bajo costo para cualquier caso de uso. Con SageMaker, puede crear, entrenar e implementar modelos de ML a escala con herramientas como blocs de notas, depuradores, generadores de perfiles, canalizaciones, MLOP y más, todo en un entorno de desarrollo integrado (IDE). SageMaker cumple con los requisitos de gobernanza con un control de acceso simplificado y transparencia en sus proyectos de ML. Además, puede crear sus propios FM, modelos de gran tamaño que se entrenaron con conjuntos de datos enormes, con herramientas diseñadas específicamente para ajustar, experimentar, volver a capacitar e implementar los FM. SageMaker ofrece acceso a cientos de modelos entrenados con anterioridad, incluidas máquinas virtuales disponibles públicamente, que puede implementar con solo unos clics.


Información general sobre Amazon SageMaker

¿Por qué Amazon SageMaker?

Amazon SageMaker es un servicio totalmente administrado que reúne un amplio conjunto de herramientas para permitir el machine learning (ML) de alto rendimiento y bajo costo para cualquier caso de uso. Con SageMaker, puede crear, entrenar e implementar modelos de ML a escala con herramientas como blocs de notas, depuradores, generadores de perfiles, canalizaciones, MLOP y más, todo en un entorno de desarrollo integrado (IDE). SageMaker cumple con los requisitos de gobernanza con un control de acceso simplificado y transparencia en sus proyectos de ML. Además, puede crear sus propios FM, modelos de gran tamaño que se entrenaron con conjuntos de datos enormes, con herramientas diseñadas específicamente para ajustar, experimentar, volver a capacitar e implementar los FM. SageMaker ofrece acceso a cientos de modelos entrenados con anterioridad, incluidas máquinas virtuales disponibles públicamente, que puede implementar con solo unos clics.


Descripción general del entrenamiento de modelos de Amazon SageMaker

Beneficios de SageMaker

Permita que más personas efectúen innovaciones con ML a través de una opción de herramientas: IDE para los científicos de datos e interfaces sin código para los analistas de negocios.
Cree sus propios modelos de ML, incluidos los FM para impulsar las aplicaciones de IA generativa, con herramientas integradas especialmente diseñadas y una infraestructura rentable y de alto rendimiento.
Automatice y estandarice las prácticas y la gobernanza de MLOps en toda su organización para respaldar la transparencia y las auditorías.
Aproveche el poder de la retroalimentación humana a lo largo del ciclo de vida de ML para mejorar la precisión y la relevancia de los FM con capacidades de interacción humana.

Permita que más personas innoven con ML

  • Analistas de negocios
  • La imagen muestra la creación de un nuevo modelo en Amazon SageMaker Canvas

    Analistas de negocios

    Realice predicciones de ML mediante una interfaz visual con SageMaker Canvas.
  • Científicos de datos
  • Imagen que muestra una pantalla en Amazon SageMaker Studio

    Científicos de datos

    Prepare los datos y cree, forme e implemente modelos con SageMaker Studio.
  • Ingenieros de ML
  • Imagen que muestra una pantalla en Amazon SageMaker Studio

    Ingenieros de ML

    Implemente y administre modelos a escala con las MLOps de SageMaker.

Compatible con los principales marcos, conjuntos de herramientas y lenguajes de programación de ML

Logotipo de Jupyter
Logo de TensorFlow
Logo de PyTorch
Logotipo de MXNet
Logo de Hugging Face
Logotipo de Scikit-learn
Logotipo de Python
Logotipo de R

Machine learning de alto rendimiento y bajo costo a escala

Más de 1,5 billones

de solicitudes de inferencias al mes

40%

de reducción de costos para el etiquetado de datos

Menos de 10 milisegundos

de latencia de sobrecarga de inferencia