Amazon SageMaker

Aprendizaje automático al alcance de cualquier desarrollador y científico de datos

Amazon SageMaker es un servicio completamente administrado que brinda a todos los científicos de datos y desarrolladores la capacidad de crear, entrenar e implementar modelos de aprendizaje automático de forma rápida. SageMaker elimina las tareas arduas de cada paso del proceso de aprendizaje automático para que sea más fácil crear modelos de alta calidad.

El desarrollo del aprendizaje automático tradicional es un proceso complejo, costoso e iterativo que resulta aún más difícil debido a que no hay herramientas integradas para todo el flujo de trabajo del aprendizaje automático. Es necesario unir las herramientas y los flujos de trabajo, lo que conlleva mucho tiempo y puede dar lugar a errores. SageMaker solventa este desafío al brindar todos los componentes que se utilizan en el aprendizaje automático en un único conjunto de herramientas, de forma que la producción de los modelos es más rápida y requiere menos esfuerzo y costos.

Cree modelos de aprendizaje automático

SOLO EN AMAZON SAGEMAKER

Mejore la productividad con Amazon SageMaker Studio, el primer entorno de desarrollo integrado (IDE) para aprendizaje automático

Amazon SageMaker Studio proporciona una única interfaz virtual basada en la web donde puede realizar todos los pasos de desarrollo de aprendizaje automático. SageMaker Studio le brinde acceso completo, control y visibilidad en todos los pasos requeridos para crear, entrenar e implementar modelos. Puede cargar datos, crear blocs de notas nuevos, entrenar y ajustar modelos, retroceder y avanzar entre los pasos para ajustar experimentos, comparar resultados e implementar modelos para la producción, todo de forma rápida y en un solo lugar, lo cual aumenta su productividad. Todas las actividades de desarrollo de aprendizaje automático, que incluyen blocs de notas, administración de experimentos, creación automática de modelos, depuración y detección de desviación de modelos, se pueden realizar dentro de la interfaz visual unificada de SageMaker Studio.

SageMaker Studio
SageMaker Studio

Use un entorno de desarrollo integrado para el desarrollo de aprendizaje automático. Por ejemplo, actualice modelos dentro de un bloc de notas y compruebe cómo los cambios afectan la calidad del modelo mediante una visualización en paralelo de su bloc de notas y los experimentos de entrenamiento.

Use un entorno de desarrollo integrado para el desarrollo de aprendizaje automático. Por ejemplo, actualice modelos dentro de un bloc de notas y compruebe cómo los cambios afectan la calidad del modelo mediante una visualización en paralelo de su bloc de notas y los experimentos de entrenamiento.

 Haga clic para agrandar

SOLO EN AMAZON SAGEMAKER

Cree y colabore más rápido con los blocs de notas de Amazon SageMaker Studio

La administración de instancias de informática para ver, ejecutar o compartir un bloc de notas es tedioso. Los blocs de notas de Amazon SageMaker Studio son blocs de notas de Jupyter de un solo clic, que se pueden iniciar con rapidez. Los recursos informáticos subyacentes son completamente elásticos, de forma que puede aumentar o disminuir los recursos disponibles y los cambios tienen lugar automáticamente en segundo plano sin interrumpir su trabajo. SageMaker también permite compartir blocs de notas con un clic. Puede compartir fácilmente los blocs de notas con otros usuarios y ellos recibirán el mismo bloc de notas, almacenado en el mismo lugar.

Puede elegir entre docenas de blocs de notas prediseñados en SageMaker para diferentes casos de uso. También puede obtener cientos de algoritmos y modelos con entrenamiento previo disponibles en AWS Marketplace para que pueda empezar rápidamente y de forma fácil.

Blocs de notas
Blocs de notas

Genere un vínculo de uso compartido sin necesidad de rastrear las dependencias manualmente, para reproducir el código del bloc de notas.

Genere un vínculo de uso compartido sin necesidad de rastrear las dependencias manualmente, para reproducir el código del bloc de notas.

 Haga clic para agrandar

SOLO EN AMAZON SAGEMAKER

Cree, entrene y ajuste modelos automáticamente con visibilidad y control totales con Amazon SageMaker Autopilot

Amazon SageMaker Autopilot es la primera funcionalidad de aprendizaje automático automatizado de la industria que le brinda control y visibilidad totales de sus modelos de aprendizaje automático. Los enfoques tradicionales del aprendizaje automático automatizado no le brindan información de los datos utilizados al crear al modelo o la lógica que se siguió para crear el modelo. Como resultado, incluso si el modelo es mediocre, no hay forma de mejorarlo. Además, no tiene flexibilidad para realizar compensaciones como sacrificar precisión para obtener predicciones con una latencia inferior, puesto que las soluciones de aprendizaje automático automatizado solo le permiten escoger un modelo.

SageMaker Autopilot inspecciona automáticamente datos sin procesar, aplica procesadores de características, selecciona el mejor conjunto de algoritmos, entrena y afina múltiples modelos, rastrea sus desempeños y luego clasifica los modelos según su rendimiento, todo con tan solo unos clics. El resultado es el modelo con mejor desempeño que puede implementar en tan solo una fracción del tiempo requerido habitualmente para entrenar el modelo. Puede obtener visibilidad completa de la creación y el contenido del modelo y SageMaker Autopilot lo integra con Amazon SageMaker Studio. Puede explorar hasta 50 modelos diferentes generados por SageMaker Autopilot dentro de SageMaker Studio, así que es fácil escoger el mejor modelo para su caso de uso. SageMaker Autopilot puede ser utilizado por personas sin experiencia en aprendizaje automático para producir fácilmente un modelo o por desarrolladores experimentados para crear con rapidez un modelo de referencia sobre el que los equipos pueden iterar más adelante.

Más información »

Autopilot
Autopilot

Cree de forma automática modelos de aprendizaje automático y escoja el que mejor se adapte a su caso de uso. Por ejemplo, revise la tabla de clasificación para ver el desempeño de cada opción y seleccione el modelo que satisfaga los requisitos de precisión y latencia de su modelo.

Cree de forma automática modelos de aprendizaje automático y escoja el que mejor se adapte a su caso de uso. Por ejemplo, revise la tabla de clasificación para ver el desempeño de cada opción y seleccione el modelo que satisfaga los requisitos de precisión y latencia de su modelo.

 Haga clic para agrandar

SOLO EN AMAZON SAGEMAKER

Reduzca los cotos de etiquetado de datos hasta un 70 % con Amazon SageMaker Ground Truth

Los modelos de aprendizaje automático con buenos resultados se generan sobre la base de grandes volúmenes de datos de entrenamiento de alta calidad. Sin embargo, el proceso destinado a crear los datos de formación técnica que son necesarios para generar esos modelos suele ser costoso y complicado, y lleva mucho tiempo. Amazon SageMaker Ground Truth le ayuda a crear y administrar conjuntos de datos de entrenamiento de gran precisión de forma rápida. Ground Truth ofrece un acceso fácil a los etiquetadores a través de Amazon Mechanical Turk y les proporciona flujos de trabajo prediseñados e interfaces para tareas de etiquetado habituales. También puede usar nuestros etiquetadores o los proveedores que Amazon recomienda en AWS Marketplace. Además, Ground Truth aprende continuamente del las etiquetas que realizan los humanos para realizar anotaciones automáticas de alta calidad, a fin de reducir considerablemente los costos de etiquetado.

Más información »

70 %

DE REDUCCIÓN DE COSTOS PARA ETIQUETADO DE DATOS

Amazon SageMaker es compatible con los marcos de aprendizaje profundo líderes

Entre los marcos compatibles se incluyen TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn y Deep Graph Library. 

Amazon-SageMaker_Framework-Logos_F2f3f3

Entrene modelos de aprendizaje automático

SOLO EN AMAZON SAGEMAKER

Organice, rastree y evalúe ejecuciones de entrenamiento con Amazon SageMaker Experiments

Amazon SageMaker Experiments le ayuda a organizar y rastrear iteraciones en modelos de aprendizaje automático. Entrenar un modelo de aprendizaje automático normalmente implica un buen número de iteraciones para aislar y medir el impacto de conjuntos de datos cambiantes, versiones de algoritmos y parámetros del modelo. Se producen cientos de artefactos como modelos, datos de entrenamiento, configuraciones de plataforma, configuración de parámetros y métricas de entrenamiento durante estas iteraciones. A menudo, se utilizan mecanismos engorrosos como hojas de cálculo para rastrear estos experimentos.

SageMaker Experiments lo ayuda a administrar iteraciones al capturar de forma automática los parámetros de entrada, configuraciones y resultados y guardarlos como “experimentos”. Puede trabajar desde la interfaz visual de SageMaker Studio, donde puede navegar por experimentos activos, buscar experimentos previos por características, revisar experimentos anteriores y sus resultados, y comparar los resultados de los experimentos de forma visual.

Experimentos
Experimentos

Rastree miles de experimentos de entrenamiento para comprender la precisión de su modelo. Por ejemplo, puede ver en un gráfico cómo los conjuntos de datos de series temporales diferentes afectan la precisión del modelo.

Rastree miles de experimentos de entrenamiento para comprender la precisión de su modelo. Por ejemplo, puede ver en un gráfico cómo los conjuntos de datos de series temporales diferentes afectan la precisión del modelo.

 Haga clic para agrandar

SOLO EN AMAZON SAGEMAKER

Analice, detecte y prevenga problemas de aprendizaje automático con el depurador de Amazon SageMaker

El proceso de entrenamiento de aprendizaje automático es mayormente opaco, y entrenar un modelo y optimizarlo puede llevar mucho tiempo y esfuerzo. Como resultado, con frecuencia es difícil interpretar y explicar modelos. El depurador de Amazon SageMaker hace que el proceso de entrenamiento sea más transparente al capturar automáticamente en tiempo real métricas durante el entrenamiento como entrenamiento y validación, matrices de confusión y gradientes de aprendizaje para ayudar a mejorar la precisión del modelo.

Las métricas del depurador de SageMaker pueden visualizarse en SageMaker Studio para entenderlas con facilidad. El depurador de SageMaker también genera advertencias y consejos de solución cuando se detectan problemas de entrenamiento comunes. Con el depurador de SageMaker puede interpretar cómo funciona un modelo, lo que supone un primer paso para explicar el modelo.

Depurador
Depurador

Analice y depure anomalías. Por ejemplo, el entrenamiento de una red neuronal se detendrá si se considera que las gradientes se desvanecen. El depurador de SageMaker identifica las gradientes que se desvanecen para que pueda solucionarlo antes de que afecte al entrenamiento.

Analice y depure anomalías. Por ejemplo, el entrenamiento de una red neuronal se detendrá si se considera que las gradientes se desvanecen. El depurador de SageMaker identifica las gradientes que se desvanecen para que pueda solucionarlo antes de que afecte al entrenamiento.

 Haga clic para agrandar

AWS es el mejor lugar para ejecutar TensorFlow

Las optimizaciones en TensorFlow de AWS proporcionan una eficiencia de escalado casi lineal en cientos de GPU para operar a nivel de nube sin demasiada sobrecarga de procesamiento a la hora de entrenar modelos más precisos y sofisticados en mucho menos tiempo.

90 %

DE EFICIENCIA DE ESCALADO CON 256 GPU

Costos de entrenamiento reducidos en un 90 %

Amazon SageMaker le brinda Managed Spot Training que lo ayuda a reducir los costos de entrenamiento hasta un 90 %. Esta función utiliza las instancias de spot de Amazon EC2, que es capacidad de computación de AWS sobrante. Los trabajos de entrenamiento se ejecutan automáticamente cuando hay capacidad de computación disponible y son resilientes a las interrupciones causadas por cambios en la capacidad, lo que le permite ahorrar costos cuando cuenta con flexibilidad al ejecutar trabajos de entrenamiento.

90 %

DE REDUCCIÓN DE COSTOS CON MANAGED SPOT TRAINING

Implemente modelos de aprendizaje automático

Implementación con un solo clic

Amazon SageMaker facilita la implementación de su modelo entrenado en producción con un solo clic para comenzar a generar predicciones para datos en lotes o en tiempo real. Puede implementar su modelo con un clic en instancias de aprendizaje automático de Amazon con escalado automático en varias zonas de disponibilidad para lograr un mayor nivel de redundancia. Tan solo debe especificar el tipo de instancia y los valores máximo y mínimo, y SageMaker se encargará del resto. SageMaker lanzará las instancias, implementará el modelo y configurará el punto de enlace HTTPS seguro para la aplicación. La aplicación simplemente debe incluir una llamada de la API a este punto de conexión para lograr una inferencia con alto nivel de procesamiento y baja latencia. La arquitectura permite integrar modelos nuevos en la aplicación en cuestión de minutos porque los cambios realizados en el modelo ya no implican modificaciones en el código de la aplicación.

SOLO EN AMAZON SAGEMAKER

Mantenga la precisión de los modelos con el monitor de modelos de Amazon SageMaker

El monitor de modelos de Amazon SageMaker permite a los desarrolladores detectar y solucionar cambios de concepto. Actualmente, uno de los mayores factores que puede afectar la precisión de los modelos implementados es que los datos que se usen para generar predicciones difiera de los datos utilizados para entrenar al modelo. Por ejemplo, cambiar las condiciones económicas podría provocar que nuevas tasas de interés afectasen las predicciones de compra de viviendas. Esto se llama cambio de concepto, conforme al cual los patrones que el modelo utiliza para realizar predicciones dejan de ser aplicables. El monitor de modelos de SageMaker detecta de forma automática cambios de concepto en los modelos implementados y brinda alertas detalladas que ayudan a identificar la fuente del problema. Todos los modelos entrenados en SageMaker emiten automáticamente métricas clave que pueden recopilarse y ser visualizadas en SageMaker Studio. Desde SageMaker Studio puede configurar la recopilación de datos, su visualización y cuándo recibir alertas.

Monitor de modelos
Monitor de modelos

Monitoree modelos en producción. Por ejemplo, puede visualizar gráficas con características importantes y estadísticas de resumen del modelo, observarlo a lo largo del tiempo y hacer una comparación con las características utilizadas en el entrenamiento. Algunas características cambian cuando el modelo se está ejecutando en producción, lo que puede indicar que es necesario volver a entrenar el modelo.

Monitoree modelos en producción. Por ejemplo, puede visualizar gráficas con características importantes y estadísticas de resumen del modelo, observarlo a lo largo del tiempo y hacer una comparación con las características utilizadas en el entrenamiento. Algunas características cambian cuando el modelo se está ejecutando en producción, lo que puede indicar que es necesario volver a entrenar al modelo.

 Haga clic para agrandar

SOLO EN AMAZON SAGEMAKER

Valide predicciones mediante revisión humana

Muchas aplicaciones de aprendizaje automático necesitan personas que revisen las predicciones de baja confiabilidad a fin de asegurarse de que los resultados sean correctos. Sin embargo, establecer la revisión humana en el flujo de trabajo puede llevar mucho tiempo e implicar procesos complejos y costosos. La inteligencia artificial aumentada de Amazon es un servicio que facilita la creación de los flujos de trabajo necesarios para que las personas revisen las predicciones del aprendizaje automático. La inteligencia artificial aumentada ofrece flujos de trabajo de revisión humana para casos de uso de aprendizaje automático comunes. También puede crear su propio flujo de trabajo para los modelos diseñados en Amazon SageMaker. Con la inteligencia artificial aumentada, también puede hacer que las personas que realizan la revisión intervengan cuando un modelo no es capaz de realizar predicciones de alta confiabilidad.

Más información »

Use Kubeflow Pipelines para la programación y organización de trabajos

Los componentes de Amazon SageMaker para Kubeflow Pipelines, ahora en versión preliminar, son complementos de código abierto que permiten usar canalizaciones de Kubeflow para definir flujos de trabajo de aprendizaje automático y usar SageMaker para los pasos de etiquetado de datos, entrenamiento e inferencia. Kubeflow Pipelines es un complemento para Kubeflow que permite crear e implementar canalizaciones de aprendizaje automático integrales portables y de escala ajustable. Sin embargo, cuando se usa Kubeflow Pipelines, los equipos de operaciones de aprendizaje automático deben administrar el clúster de Kubernetes con instancias de CPU y GPU, y mantener un nivel de uso elevado en todo momento para reducir los costos operativos. Maximizar el uso de un clúster por parte de los equipos de ciencia de datos es un desafío y sobrecarga a los equipos de operaciones de aprendizaje automático. Como alternativa a un clúster de Kubernetes optimizado para aprendizaje automático, con los componentes de Amazon SageMaker para Kubeflow Pipelines es posible aprovechar las eficientes características de SageMaker como el etiquetado de datos, el ajuste de hiperparámetros a gran escala totalmente administrado y los trabajos de entrenamiento distribuidos, la implementación de modelos segura y de escala ajustable de un clic, y el entrenamiento rentable mediante instancias de spot EC2 sin necesidad de configurar ni administrar clústeres de Kubernetes específicamente para ejecutar los trabajos de aprendizaje automático.  

Integre con Kubernetes para la organización y la administración

Kubernetes es un sistema de código abierto utilizado para automatizar la implementación, el escalado y la administración de aplicaciones en contenedores. Muchos clientes quieren utilizar las capacidades completamente administradas para aprendizaje automático de Amazon SageMaker, pero también quieren que los equipos de plataforma e infraestructura sigan utilizando Kubernetes para organizar y administrar las canalizaciones. SageMaker permite que los usuarios entrenen e implementen modelos en SageMaker a través de los operadores de Kubernetes.

Los costos de las inferencias de aprendizaje profundo se reducen hasta un 75 % con Amazon Elastic Inference

En la mayoría de las aplicaciones de aprendizaje automático, hacer predicciones usando un modelo entrenado —un proceso denominado inferencia— puede ser un factor clave en los costos informáticos de la aplicación. Una instancia GPU completa puede ser demasiado grande para la inferencia del modelo. Además, puede ser difícil optimizar las necesidades de GPU, CPU y memoria de su aplicación de aprendizaje profundo. Amazon Elastic Inference resuelve estos problemas al permitir que adjunte la cantidad correcta de aceleración de inferencia impulsada por GPU a cualquier tipo de instancia de Amazon EC2 o Amazon SageMaker o tarea de Amazon ECS sin cambios de código. Con Elastic Inference, puede elegir el tipo de instancia que mejor se adapta a las necesidades generales de su CPU y memoria de su aplicación y, luego, configurar por separado la cantidad de aceleración de inferencia que necesita para usar los recursos de manera eficiente y reducir los costos de la inferencia en ejecución.

UN 75 %

MENOS DE COSTOS DE INFERENCIA

Obtenga una inferencia de alto rendimiento y bajo costo en la nube

Con Amazon SageMaker, puede implementar sus modelos entrenados de aprendizaje automático en instancias Inf1 de Amazon, diseñadas con el chip AWS Inferentia, para obtener una inferencia de alto rendimiento y bajo costo. Con las instancias Inf1, usted puede ejecutar aplicaciones de inferencia de aprendizaje automático a gran escala, como el reconocimiento de imagen, el reconocimiento de voz, el procesamiento de lenguaje natural, la personalización y la detección de fraudes. Con Amazon SageMaker Neo, puede compilar sus modelos entrenados de aprendizaje automático para que se ejecuten de manera óptima en instancias Inf1 e implementar los modelos compilados en instancias Inf1 para una inferencia en tiempo real.

Comenzar con Amazon SageMaker

Comience a crear con Amazon SageMaker en la consola de administración de AWS.