Amazon SageMaker
Cree, entrene e implemente modelos de aprendizaje automático a escala
Amazon SageMaker es una plataforma completamente administrada que permite a los desarrolladores y científicos de datos crear, entrenar e implementar modelos de aprendizaje automático de forma rápida y sencilla a cualquier escala. Amazon SageMaker elimina todas las dificultades que suelen ralentizar a los desarrolladores que desean utilizar aprendizaje automático.
La mayoría de los desarrolladores suelen encontrar el aprendizaje automático mucho más duro, ya que el proceso de crear y entrenar modelos (y luego implementarlos en la producción) es demasiado complicado y lento. En primer lugar, debe recopilar y preparar sus datos de entrenamiento para averiguar qué elementos de su conjunto de datos son importantes. A continuación, debe seleccionar el algoritmo y el marco de trabajo que vaya a utilizar. Tras decidir su enfoque, tiene que enseñarle al modelo cómo generar predicciones mediante formación, lo que requiere mucha computación. Luego debe ajustar el modelo de forma que entregue las mejores predicciones posibles, una labor manual que suele resultar tediosa. Tras haber desarrollado un modelo completamente preparado, debe integrarlo con su aplicación e implementar esta última en una infraestructura que escale. Para todo este proceso hace falta experiencia especializada, acceso a grandes cantidades de computación y almacenamiento, y mucho tiempo para experimentar y optimizar cada parte del proceso. Al final, no es de extrañar que la mayoría de los desarrolladores consideren todo esto inalcanzable.
Amazon SageMaker elimina la complejidad que impide que los desarrolladores completen cada uno de estos pasos correctamente. Amazon SageMaker incluye módulos que se pueden utilizar juntos o por separado para crear, entrenar e implementar modelos de aprendizaje automático.
Cómo funciona
Desarrollo
Amazon SageMaker facilita la creación de modelos de aprendizaje automático y su preparación para el entrenamiento, y proporciona todo lo necesario para conectarse rápidamente a los datos de entrenamiento y para seleccionar y optimizar el mejor algoritmo y marco de trabajo para la aplicación. Amazon SageMaker incluye blocs de notas de Jupyter hospedados que facilitan el análisis y la visualización de los datos de entrenamiento almacenados en Amazon S3. Puede conectarse directamente a los datos en S3, o utilizar AWS Glue para migrar datos de Amazon RDS, Amazon DynamoDB y Amazon Redshift a S3 para su análisis en el bloc de notas.
Para ayudarle a seleccionar el algoritmo, Amazon SageMaker incluye los algoritmos de aprendizaje automático más comunes, preinstalados y optimizados para ofrecer un desempeño hasta 10 veces superior al que conseguirá si los ejecuta en cualquier otro lugar. Amazon SageMaker también viene preconfigurado para ejecutar TensorFlow, Apache MXNet y Chainer en contenedores Docker. También puede descargar estos contenedores de código abierto a su entorno local y usar el Python SDK de Amazon SageMaker para probar sus scripts en modo local antes de utilizar Amazon SageMaker para la formación o el alojamiento de su modelo en producción. También tiene la opción de utilizar su propio marco de trabajo.
Entrenamiento
Puede comenzar a entrenar un modelo con un solo clic en la consola de Amazon SageMaker. Amazon SageMaker administra automáticamente toda la infraestructura subyacente y puede escalar fácilmente para entrenar modelos a escala de petabytes. Para que el proceso de entrenamiento sea incluso más rápido y sencillo, Amazon SageMaker puede ajustar automáticamente el modelo para conseguir la mayor precisión posible.
Implementación
Una vez que el modelo esté entrenado y ajustado, Amazon SageMaker facilitará la tarea de ponerlo en producción para empezar a generar predicciones (un proceso denominado inferencia) datos en lote o de tiempo real. Amazon SageMaker implementa el modelo en clústeres de escalado automático de instancias de aprendizaje automático de Amazon SageMaker distribuidas en varias zonas de disponibilidad para ofrecer un alto nivel de desempeño y disponibilidad. Amazon SageMaker también incluye pruebas A/B integradas para ayudarle a probar el modelo y experimentar con diferentes versiones con objeto de obtener los mejores resultados.
Amazon SageMaker elimina el trabajo pesado del aprendizaje automático, lo que le permite crear, entrenar e implementar modelos de aprendizaje automático de forma rápida y sencilla.
Beneficios
Rápida puesta en marcha de la producción con aprendizaje automático
Amazon SageMaker reduce de manera significativa la cantidad de tiempo necesario para entrenar, ajustar e implementar los modelos de aprendizaje automático. Amazon SageMaker administra y automatiza todas las técnicas sofisticadas de entrenamiento y ajuste de modo que pueda poner en marcha los modelos en la producción rápidamente.
Compatibilidad con cualquier marco de trabajo o algoritmo
Amazon SageMaker es compatible con todos los marcos de trabajo y algoritmos de aprendizaje automático, por lo que puede utilizar la tecnología que ya domina. Apache MXNet, TensorFlow y Chainer están preinstalados, y Amazon SageMaker ofrece una variedad de algoritmos de aprendizaje automático integrados y de alto desempeño. Si desea entrenar con un marco de trabajo o algoritmo alternativo, puede llevar su propio contenedor Docker.
Entrenamiento e implementación con un solo clic
Amazon SageMaker le permite empezar a entrenar su modelo con un solo clic en la consola o con una simple llamada al API. Cuando haya terminado el entrenamiento y ya pueda implementar el modelo, puede iniciarlo con solo hacer clic en la consola de Amazon SageMaker.
Integración sencilla con el flujo de trabajo existente
Amazon SageMaker está diseñado en tres módulos que pueden utilizarse en conjunto o por separado como parte de cualquier flujo de trabajo existente de aprendizaje automático que puede que ya tenga en marcha.
Acceso sencillo a modelos entrenados
Amazon SageMaker facilita la integración de los modelos de aprendizaje automático en sus aplicaciones al proporcionar un punto de enlace HTTPS al que se pueda llamar desde cualquier aplicación.
Optimización para lograr mayor velocidad
Amazon SageMaker viene preconfigurado con las versiones más recientes de TensorFlow, Apache MXNet y Chainer, con compatibilidad para bibliotecas CUDA9 a los fines de lograr un nivel de desempeño máximo con las GPU NVIDIA. Con instancias P3 de Amazon SageMaker que se ejecutan en GPU NVIDIA Volta V100, Amazon SageMaker le permite entrenar modelos de aprendizaje profundo con una velocidad única.
Clientes de SageMaker
"Como proveedor líder a nivel mundial de análisis, datos e imágenes terrestres de alta resolución, DigitalGlobe trabaja diariamente con grandes volúmenes de datos. DigitalGlobe facilita a las personas encontrar, obtener acceso y ejecutar operaciones de cómputo en nuestra biblioteca de imágenes completa de 100 PB, que se almacena en la nube de AWS, y poder implementar procesos de aprendizaje profundo en imágenes satelitales. Nuestro objetivo es utilizar Amazon SageMaker para entrenar modelos en petabytes de conjuntos de datos de imágenes de observación de la Tierra con cuadernos de Jupyter alojados, para que los usuarios de la plataforma de big data geoespacial (GBDX) de DigitalGlobe puedan pulsar un botón, crear un modelo e implementar todo en un único entorno distribuido ajustable a escala".
"Durante más de 25 años hemos desarrollado capacidades de aprendizaje automático avanzadas para extraer, conectar, optimizar, organizar y entregar información a nuestros clientes, lo que les permite simplificar y obtener más valor a partir de su trabajo. Trabajar con Amazon SageMaker nos permitió diseñar una capacidad de procesamiento de lenguaje natural en el contexto de una aplicación de respuesta de preguntas. Nuestra solución requirió varias iteraciones de configuraciones de aprendizaje profundo a escala con capacidades de Amazon SageMaker".
"Nos enfocamos en agilizar y simplificar como nunca antes los procesos de contratación mediante el entrenamiento de nuestros algoritmos de aprendizaje automático en cientos de millones de actividades transaccionales históricas para poder entregar coincidencias laborales sumamente pertinentes con la mayor celeridad posible. Amazon SageMaker nos brindó una respuesta para los problemas que teníamos en relación con la administración de flujos de trabajo de aprendizaje automático, lo que nos permitió entrenar, evaluar e implementar modelos de una manera flexible. Además, la modularidad de Amazon SageMaker nos ofrece la capacidad para compilar y crear modelos de manera independiente, que es una característica interesante de ZipRecruiter".
"En Hotels.com, siempre estamos interesados en las diferentes maneras de agilizar tareas, aprovechar las últimas tecnologías y conservar nuestro espíritu innovador. Con Amazon SageMaker, el entrenamiento distribuido, los algoritmos optimizados y las características de hiperparámetros integradas deberían permitirle a mi equipo crear rápidamente modelos más precisos en nuestros conjuntos de datos más grandes, lo que reduce considerablemente el tiempo necesario para implementar un modelo en producción. Es tan solo una llamada a la API. Amazon SageMaker reducirá de manera significativa la complejidad del aprendizaje automático, lo que nos permitirá crear una mejor experiencia para nuestros clientes rápidamente."
Matt Frye, vicepresidente y director científico de datos de Hotels.com y Expedia Affiliate Network
"Con Amazon SageMaker, podemos agilizar nuestras iniciativas de inteligencia artificial a escala mediante la creación e implementación de nuestros algoritmos en la plataforma. Crearemos novedosos algoritmos de inteligencia artificial y aprendizaje automático a gran escala y los implementaremos en esta plataforma para resolver problemas complejos que puedan generar ingresos a nuestros clientes".
"Amazon SageMaker reducirá nuestros costos y aumentará la velocidad de uso del aprendizaje automático. Con Amazon SageMaker, podemos cambiar nuestra implementación de TensorFlow autoadministrada por un servicio completamente administrado. Amazon SageMaker también nos otorga un acceso más sencillo a otros marcos de aprendizaje profundo conocidos, mientras administra la infraestructura para la creación, el entrenamiento y el suministro de nuestros modelos".
David Bernstein, director de tecnología estratégica, Zendesk
Realice entrenamientos con cualquier marco de aprendizaje profundo
Con Amazon SageMaker, puede usar el marco de aprendizaje profundo de su preferencia para entrenar modelos. Tan solo debe incorporar su propio contenedor de Docker con sus bibliotecas y marcos preferidos – como Caffe2, PyTorch, Microsoft Cognitive Toolkit (CNTK), Chainer o Torch -- y Amazon SageMaker administrará la infraestructura subyacente a los fines de entrenar sus modelos.
Casos de uso
Publicidad dirigida a un público específico
El uso de Amazon SageMaker junto con otros servicios de AWS le ayudará a optimizar sus beneficios sobre los gastos publicitarios. Amazon SageMaker puede entrenar e implementar fácilmente modelos de aprendizaje automático capaces de dirigir los anuncios publicitarios online a un público específico de forma más eficiente, lo que permite una mayor participación y conversión de clientes. En el entorno distribuido y sin servidor de Amazon SageMaker, es posible entrenar modelos de sistemas de recomendación, predicción con un clic, segmentación de clientes y aumento del valor del tiempo de vida del cliente. Una vez creados, los modelos se pueden alojar fácilmente en puntos de enlace de escalado automático y baja latencia, o bien se pueden pasar a otros sistemas de puja en tiempo real.
Predicción de incumplimiento crediticio
Amazon SageMaker facilita la predicción de la probabilidad de incumplimiento crediticio, un problema habitual en el aprendizaje automático. Amazon SageMaker se integra correctamente con los marcos de trabajo analíticos existentes (como Amazon Redshift, Amazon EMR o AWS Glue), lo que le permite publicar conjuntos de datos grandes y diversos en un lago de datos de Amazon S3, transformarlos rápidamente, crear modelos de aprendizaje automático e inmediatamente alojarlos para su predicción online.
IoT industrial y aprendizaje automático
El IoT industrial y el aprendizaje automático pueden realizar predicciones en tiempo real (con las que anticipar los errores de las máquinas) o la programación del mantenimiento con el fin de lograr mayores niveles de eficiencia. Es posible generar un gemelo digital, o réplica, de recursos físicos, procesos o sistemas, para predecir mantenimientos preventivos o para optimizar la producción de procesos industriales o máquinas complejas. El modelo se puede actualizar continuamente para que "aprenda" en tiempo real en caso de que ocurran modificaciones.
Cadena de suministro y previsión de demanda
Amazon SageMaker provee la infraestructura y los algoritmos necesarios para desarrollar previsiones de ventas individuales para cada producto en los escenarios de ecommerce más amplios. Con tan solo los datos de categorías de productos y series temporales, Amazon SageMaker recoge estacionalidades, tendencias y similitudes entre productos para suministrar previsiones precisas, inclusive para elementos nuevos.
Predicciones de enlaces visitados
Amazon SageMaker provee implementaciones de CPU distribuidas y de máquina sencilla de algoritmos XGboost, que resultan útiles en varios casos de uso de clasificación, regresión y jerarquización, como la predicción del índice de enlaces visitados. Los sistemas de predicción de enlaces visitados son una parte fundamental de los sistemas publicitarios online, ya que resulta esencial predecir el índice de enlaces visitados (CTR) más preciso posible para garantizar que los consumidores tengan la mejor experiencia. Mediante el uso del algoritmo XGBoost, puede ejecutar un predictor en tiempo real y obtener un resultado de predicción con puntaje. A continuación, puede determinar si presentará o no anuncios de un publicista en particular y mejorar la predicción CTR en la visualización de anuncios.
Predicción de la calidad de contenido
Amazon SageMaker cuenta con herramientas para preprocesar y encontrar estructuras en textos, y utiliza dicha información para realizar predicciones acerca de la calidad del contenido. Puede generar incrustaciones de palabras para encontrar estructuras sintácticas o semánticas similares en volúmenes de texto grandes, y agrupar palabras similares para evitar el aislamiento. A continuación, agrupe en clústeres de manera independiente documentos similares con los modelos de temas avanzados de Amazon SageMaker. Finalmente, cree modelos de clasificación independientes por clúster en los datos de palabras agrupados de dimensión reducida para determinar si los documentos deben ser moderados.
Más información sobre Amazon SageMaker
