- Machine Learning›
- Amazon SageMaker AI›
- Amazon SageMaker con MLflow
Acelere el desarrollo de la IA generativa con Amazon SageMaker AI y MLflow
Realice un seguimiento de experimentos, evalúe modelos y rastree las aplicaciones de IA sin necesidad de administrar la infraestructura
¿Por qué usar Amazon SageMaker AI con MLflow?
La creación y personalización de modelos de IA es un proceso iterativo que implica el uso de cientos de ejecuciones de entrenamiento para encontrar el mejor algoritmo, arquitectura y parámetros y así garantizar una precisión óptima del modelo. Amazon SageMaker AI ofrece una capacidad de MLflow administrada y sin servidor que hace que los desarrolladores de IA realicen un seguimiento de los experimentos, observen el comportamiento y evalúen el rendimiento de sus modelos y aplicaciones de IA de una manera fácil y sin necesidad de administrar ninguna infraestructura. SageMaker AI con MLflow también se integra con las conocidas herramientas de desarrollo de modelos de IA de SageMaker, como, por ejemplo, SageMaker AI JumpStart, el registro de modelos, las canalizaciones y las funciones de personalización de modelos sin servidor, a fin de conectar con cada paso del ciclo de vida de la IA, desde la experimentación hasta la implementación.
Beneficios de Amazon SageMaker AI con MLflow
Comience a rastrear experimentos y aplicaciones de IA sin infraestructura que aprovisionar ni servidores de seguimiento que configurar. Los desarrolladores de IA obtienen acceso instantáneo a una función de MLflow sin servidor que permite a los equipos enfocarse en la creación de aplicaciones de IA en lugar de la administración de la infraestructura.
SageMaker AI con MLflow se escala automáticamente para adaptarse a sus requisitos, ya sea que esté realizando un solo experimento o administrando numerosos trabajos de refinamiento en paralelo. MLflow adapta la infraestructura durante las ráfagas intensivas de experimentación y se reduce durante los periodos de inactividad sin intervención manual, de modo que mantiene un rendimiento constante sin la carga operativa de administrar los servidores.
En una única interfaz puede visualizar el progreso en curso de los trabajos de entrenamiento, experimentar junto con los miembros del equipo y controlar las versiones de cada modelo y aplicación. MLflow también ofrece funciones de rastreo avanzadas para identificar rápidamente el origen de errores o comportamientos inesperados.
A medida que el proyecto MLflow evolucione, los clientes de SageMaker AI seguirán beneficiándose de la innovación de la comunidad de código abierto, sin dejar de disfrutar el soporte sin servidor de AWS.
Amazon SageMaker AI con MLflow se actualiza automáticamente a la versión más reciente de MLflow, lo que le brinda acceso a las más nuevas características y capacidades sin periodos de mantenimiento ni esfuerzo de migración.
Optimice la personalización del modelo de IA
Con MLflow en SageMaker AI, puede rastrear, organizar y comparar experimentos para identificar los modelos con mejor rendimiento. MLflow está integrado con las funciones de personalización de modelos sin servidor de Amazon SageMaker AI para modelos populares como Amazon Nova, Llama, Qwen, DeepSeek y GPT-OSS, lo que permite visualizar las evaluaciones y los trabajos de entrenamiento en curso mediante una única interfaz.
Mantenga la coherencia con una administración de peticiones
Puede optimizar la administración e ingeniería de peticiones de sus aplicaciones de IA con MLflow Prompt Registry, una capacidad eficaz que permite versionar, rastrear y reutilizar las peticiones en su organización, lo que ayuda a mantener la coherencia y mejorar la colaboración en el desarrollo de las peticiones.
Rastree aplicaciones y agentes de IA en tiempo real
SageMaker AI con MLflow registra las entradas, las salidas y los metadatos en cada paso del desarrollo de la IA para identificar rápidamente errores o comportamientos inesperados. Obtendrá la visibilidad que necesita para depurar sistemas de IA generativa complejos y optimizar el rendimiento, gracias al seguimiento avanzado para los flujos de trabajo de agentes y las aplicaciones de varios pasos.
Centralice la gobernanza de modelos con SageMaker Model Registry
Las organizaciones necesitan una manera fácil de realizar un seguimiento de todos los modelos candidatos en los equipos de desarrollo para tomar decisiones fundamentadas sobre qué modelos pasan a la producción. Managed MLflow incluye una integración diseñada específicamente que sincroniza automáticamente los modelos registrados en MLflow con SageMaker Model Registry. Esta permite a los equipos de desarrollo de modelos de IA utilizar distintas herramientas para sus respectivas tareas: MLflow para la experimentación y Registro de modelos de SageMaker para administrar el ciclo de vida de la producción con una amplia variedad de modelos.
Implemente modelos fluidos en los puntos de enlace de SageMaker AI
Una vez que haya alcanzado los objetivos deseados de precisión y rendimiento de los modelos, puede implementar modelos en producción desde SageMaker Model Registry con unos pocos clics en los puntos de enlace de inferencia de SageMaker AI. Esta integración transparente elimina la necesidad de crear contenedores personalizados para el almacenamiento de modelos y permite a los clientes aprovechar los contenedores de inferencia optimizados de SageMaker AI y, al mismo tiempo, seguir disfrutando de la facilidad que brinda MLflow para registrar modelos.
Wildlife Conservation Society
“WCS promueve la conservación mundial de los arrecifes de coral mediante MERMAID, una plataforma de código abierto que utiliza modelos de machine learning para analizar fotografías de arrecifes de coral tomadas por la comunidad científica de todo el mundo. Amazon SageMaker con MLflow ha mejorado nuestra productividad al eliminar la necesidad de configurar los servidores de seguimiento de MLflow o de administrar la capacidad a medida que cambian las necesidades de nuestra infraestructura. Puesto a que nuestro equipo se enfoca por completo en la innovación de modelos, estamos acelerando el tiempo de implementación para ofrecer información esencial basada en la nube a la comunidad científica y de administración marina”.
Kim Fisher, MERMAID
Ingeniero de software sénior, WCS
