Amazon SageMaker

Aprendizaje automático al alcance de cualquier desarrollador y científico de datos.

Amazon SageMaker proporciona a todos los desarrolladores y los científicos de datos la posibilidad de crear, entrenar e implementar modelos de aprendizaje automático de forma rápida. Amazon SageMaker es un servicio completamente administrado que cubre todo el flujo de trabajo de aprendizaje automático para etiquetar y preparar sus datos; elegir un algoritmo; entrenar el modelo, ajustarlo y optimizarlo para su implementación; realizar predicciones; y tomar medidas. Sus modelos llegan a la etapa de producción más rápidamente, con un esfuerzo y un costo mucho menores.

CREAR

Recopile y prepare los datos de entrenamiento

Etiquetado de datos y blocs de notas prediseñados para los problemas comunes

Elija y optimice su algoritmo de aprendizaje automático

Mercado de algoritmos y modelos, además de algoritmos integrados de alto rendimiento

ENTRENAR

Configure y administre los entornos para el entrenamiento

Entrenamiento con un solo clic en la infraestructura de más alto rendimiento

Entrene y ajuste el modelo

Optimización del modelo, entrenamiento en una sola vez y ejecución en cualquier lugar

IMPLEMENTAR

Implemente el modelo en producción

Implementación con un solo clic

Escale y administre el entorno de producción

Completamente administrado con escalado automático para una reducción del 75 %


Clientes destacados

State Farm
Intuit
Siemens
NFL
Expedia
Liberty Mutual
Formula 1
Coinbase
GE-Healthcare
Convoy
Korean Air
Change Healthcare

Recopile y prepare los datos de entrenamiento

Etiquete los datos de entrenamiento de forma rápida

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 públicos y privados, a los que proporciona flujos de trabajo prediseñados e interfaces para tareas de etiquetado habituales. Además, Ground Truth aprende de estos para realizar anotaciones automáticas de alta calidad, a fin de reducir considerablemente los costos de etiquetado.

Más información »
70-percent-reduction
ground-truth

Blocs de notas alojados

Blocs de notas de Jupyter completamente administrados que puede utilizar en la nube o traer de su equipo local para analizar y visualizar sus datos y desarrollar su modelo. Además de la posibilidad de comenzar de cero, tiene la opción de elegir entre docenas de blocs de notas prediseñados que puede utilizar tal y como están, u optar por modificarlos para que se ajusten a sus necesidades particulares, a fin de facilitar el análisis y la visualización de sus datos de entrenamiento con rapidez. Hay soluciones disponibles para muchos problemas comunes, como las recomendaciones y la personalización, la detección de fraudes, las previsiones, la clasificación de imágenes, la predicción de renovación, la selección de clientes, el procesamiento de registros y la detección de anomalías, además de la conversión de voz en texto.

 

Más información »
jupyter-logo-white
hosted-notebooks

Elija y optimice su algoritmo de aprendizaje automático

Amazon SageMaker configura y optimiza automáticamente TensorFlow, Apache MXNet, PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras y Gluon. Los algoritmos de aprendizaje automático de uso habitual se integran y se adaptan a la escala, la velocidad y la precisión de más de 200 modelos y algoritmos adicionales ya entrenados, disponibles en AWS Marketplace. También puede integrar cualquier otro algoritmo o marco al incorporarlo a un contenedor de Docker.

10x-faster
logo-tesnorflow
logo-mxnet
logo-pytorch
logo-chainer
logo-keras
logo-gluon
logo-horovod

Configure y administre los entornos de entrenamiento

Entrenamiento con un solo clic

Comience a entrenar su modelo con un solo clic. Amazon SageMaker administra toda la infraestructura subyacente para ampliarla fácilmente a conjuntos de datos que alcanzan los petabytes de tamaño.

 

El aprendizaje automático distribuido más rápido de la nube.

Las instancias P3 de Amazon EC2 brindan 8 GPU NVIDIA Tesla.

 

64 vCPU Intel Xeon Skylake escalables con AVX-512

25 GB/s de rendimiento de red

16 GB de memoria por GPU

 

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.

Entrenamiento y alojamiento completamente administrados

Escalado casi lineal en cientos de GPU

Costos de inferencia un 75 % más bajos

 

TENSORFLOW COMÚN
65p
TENSORFLOW OPTIMIZADO PARA AWS
90p

Eficiencia de escalado con 256 GPU

Ajuste y optimice su modelo

Ajuste su modelo automáticamente

El ajuste de modelo automático utiliza el aprendizaje automático para ajustar su modelo rápidamente de forma que sea lo más preciso posible. Esta capacidad le permite omitir el tedioso proceso de ajuste manual de los parámetros del modelo mediante prueba y error. En su lugar, el ajuste de modelo automático realiza una optimización de los hiperparámetros, para la cual detecta las características interesantes en sus datos y averigua cómo interactúan para afectar a la precisión, a lo largo de varias ejecuciones de entrenamiento. Puede ahorrar días, o incluso semanas, para maximizar la calidad de su modelo entrenado.

Entrene una sola vez y ejecute en cualquier parte

Amazon SageMaker Neo le permite entrenar un modelo una sola vez e implementarlo en cualquier parte. SageMaker Neo utiliza el aprendizaje automático para optimizar cualquier modelo entrenado que se haya creado con un marco de trabajo popular para la plataforma de hardware que especifique, sin pérdidas de precisión. Después, puede implementar su modelo en instancias EC2 y de SageMaker o en cualquier dispositivo en el límite que incluya el tiempo de ejecución de Neo, como los dispositivos de AWS Greengrass.

Más información »

pull-2x
pull-1-10
img-neo

Implemente y administre modelos en producción

Implementación en la producción con un solo clic

Amazon SageMaker facilita la implementación de su modelo entrenado en producción con un solo clic para comenzar a generar predicciones (un proceso denominado inferencia) para datos en lotes o en tiempo real. Su modelo se ejecuta en clústeres de escalado automático de instancias de Amazon SageMaker distribuidas en varias zonas de disponibilidad para ofrecer un alto rendimiento y alta disponibilidad. Amazon SageMaker también incluye pruebas A/B integradas para contribuir a probar el modelo y experimentar con diferentes versiones con objeto de obtener los mejores resultados.

Ejecute modelos en el límite

AWS Greengrass facilita la implementación de modelos entrenados con Amazon SageMaker en dispositivos en el límite para ejecutar inferencia. Con AWS Greengrass, los dispositivos conectados pueden ejecutar funciones AWS Lambda, mantener los datos de dispositivos sincronizados y comunicarse con otros dispositivos de manera segura, incluso sin estar conectados a Internet.

pull-75p

Utilice Amazon Elastic Inference para asociar la aceleración de las GPU elásticas a sus instancias de Amazon SageMaker fácilmente y reducir así sus costos de inferencia de aprendizaje profundo en hasta un 75 %. En la mayoría de los modelos, una instancia GPU completa es demasiado grande para la inferencia. Además, puede ser difícil optimizar las necesidades de GPU, CPU y memoria de su aplicación de aprendizaje profundo con un tipo de instancia único. Elastic Inference le permite elegir el tipo de instancia más adecuado para las necesidades globales de CPU y memoria de su aplicación y, después, configurar aparte la cantidad de aceleración de GPU adecuada que se requiere para la inferencia.

Más información »

img-TFLOPS

ADMITE

logo-tesnorflow
logo-mxnet

Historias de éxito de clientes

Cree modelos de próxima generación con el aprendizaje mediante refuerzo completamente administrado

small-RL-icon

Utilice el aprendizaje mediante refuerzo (RL) para crear modelos sofisticados que puedan lograr resultados concretos sin necesidad de datos de entrenamiento pre-etiquetados. Este tipo de aprendizaje resulta útil en aquellas situaciones en las que no existe una respuesta correcta, sino un resultado óptimo, como aprender a conducir un coche o realizar operaciones financieras positivas. En lugar de consultar datos históricos, los algoritmos de RL utilizan la realización de acciones en un simulador, donde las compensaciones y las penalizaciones ayudan a dirigir el modelo hacia el comportamiento deseado.

Amazon SageMaker RL incluye algoritmos RL integrados y completamente administrados. SageMaker admite el aprendizaje mediante refuerzo en varios marcos de trabajo (incluidos TensorFlow y MXNet), así como marcos desarrollados a medida, diseñados desde un principio para este tipo de aprendizaje, como Intel Coach y Ray RLlib.

Amazon SageMaker RL también admite varios entornos de aprendizaje mediante refuerzo, incluidos entornos físicos completos en 2D y 3D, entornos de simulación comercial como MATLAB y Simulink, además de cualquier entorno que admita la interfaz OpenAI Gym de código abierto, incluidos los entornos de desarrollo personalizados. Asimismo, SageMaker RL le permitirá entrenar con entornos 3D virtuales integrados en Amazon Sumerian y AWS RoboMaker. Esto significa que se puede modelar cualquier cosa, desde sistemas financieros y publicidad, hasta controles industriales, robótica y vehículos autónomos.

Abierto y flexible

Aprendizaje automático a su manera

La tecnología de aprendizaje automático avanza muy rápido y debería mantenerse un acceso flexible a un amplio conjunto de marcos de trabajo y herramientas. Con Amazon SageMaker, puede utilizar los contenedores integrados de cualquier marco de trabajo popular o utilizar su marco de trabajo preferido. De cualquiera de las formas, Amazon SageMaker administrará íntegramente la infraestructura subyacente necesaria para compilar, entrenar e implementar sus modelos.

Rendimiento límite mejorado

Las capacidades de SageMaker Neo están también disponibles para todos los desarrolladores a través del proyecto Neo de código abierto. Consideramos que hacer posible la ejecución de modelos para todos en cualquier parte es un paso necesario para impulsar el máximo potencial del aprendizaje automático. Al contribuir en el esfuerzo del código abierto, los proveedores de hardware pueden mejorar Neo con nuevas optimizaciones e impulsar el ecosistema global de hardware al aprendizaje automático.

SageMaker se adapta a su flujo de trabajo

Desde el punto de vista tecnológico, Amazon SageMaker está formado por distintos componentes: Ground Truth, Notebooks, Training, Neo y Hosting. Estos componentes están diseñados para trabajar conjuntamente a fin de proporcionar un servicio integral de aprendizaje automático. Sin embargo, también se pueden utilizar de forma independiente para complementar los flujos de trabajo de aprendizaje automático existentes o respaldar los modelos que se ejecutan en su centro de datos o en el límite.

Aprenda y acelere

ImgHead_Silverstone_TEST_Car_3

AWS DeepRacer

Coche de carreras a escala 1/18 totalmente autónomo, con todo lo que necesita saber acerca del aprendizaje mediante refuerzo con conducción autónoma.

Más información »

AWS DeepLens

Adquiera conocimientos de visión artificial a través de proyectos, tutoriales y exploración práctica en el mundo real con la primera cámara de vídeo del mundo compatible con el aprendizaje profundo para desarrolladores.

Más información »

Formación y certificación de AWS Machine Learning

Universidad de AWS Machine Learning. Cursos estructurados para el aprendizaje automático que se basan en el mismo material utilizado para formar a los desarrolladores de Amazon a través de la combinación de conocimientos básicos y aplicación real.

Más información »

Laboratorio de soluciones de Amazon ML

Amazon ML Solutions Lab pone en contacto a su equipo con expertos en aprendizaje automático de Amazon. Combina talleres educativos prácticos con sesiones de aporte de ideas y servicios profesionales de asesoramiento para ayudarlo a "trabajar hacia atrás" a partir de los desafíos empresariales y, a continuación, ir paso a paso a través del proceso de integración de un modelo en producción. Posteriormente, podrá aplicar todo lo aprendido a otros aspectos de su organización para buscar oportunidades adicionales.

Más información »