Aspectos generales

P: ¿Qué es Amazon SageMaker?

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.

P: ¿En qué regiones se encuentra disponible Amazon SageMaker?

Para ver la lista de las regiones de AWS en las que se admite Amazon SageMaker, consulte la tabla de regiones de AWS, que contiene la información sobre toda la infraestructura global de AWS. Además, para obtener más información, consulte las regiones y los puntos de enlace de la referencia general de AWS.

P: ¿Cuál es la disponibilidad de servicio de Amazon SageMaker?

Amazon SageMaker está diseñado para ofrecer alta disponibilidad. No hay periodos de mantenimiento ni tiempos de inactividad programados. La API de SageMaker se ejecuta en los centros de datos probados y de alta disponibilidad de Amazon, con la replicación de la pila de servicios configurada en tres instalaciones de cada una de las regiones de AWS, a fin de proporcionar tolerancia a errores si se produce un error en el servidor o una interrupción en la zona de disponibilidad.

P: ¿De qué medidas de seguridad dispone Amazon SageMaker?

Amazon SageMaker garantiza que los artefactos de los modelos de aprendizaje automático y otros artefactos del sistema estén cifrados tanto en tránsito como en reposo. Las solicitudes a la consola y la API de SageMaker se efectúan a través de una conexión segura (SSL). Transfiera roles de AWS Identity and Access Management a SageMaker para proporcionar permisos de acceso a recursos en su nombre para el entrenamiento y la implementación. Puede usar buckets de Amazon S3 cifrados para los datos y los artefactos de los modelos, así como también transferir una clave de KMS a los blocs de notas de SageMaker, los trabajos de entrenamiento y los puntos de enlace, para cifrar el volumen asociado de aprendizaje automático de almacenamiento. Amazon SageMaker también es compatible con Amazon Virtual Private Cloud (VPC) y con AWS PrivateLink.

P: ¿De qué forma Amazon SageMaker protege el código?

Amazon SageMaker almacena el código en volúmenes de almacenamiento de aprendizaje automático, protegidos con grupos de seguridad y, opcionalmente, cifrados en reposo.

P: ¿Cómo se cobra el uso de Amazon SageMaker?

Paga los recursos de procesamiento de datos, almacenamiento y cómputo de aprendizaje automático que use para alojar el bloc de notas, entrenar el modelo, realizar predicciones y registrar los resultados. Amazon SageMaker le permite seleccionar el número y el tipo de instancias utilizado para el bloc de notas alojado, el entrenamiento y el alojamiento del modelo. Solo pagará por lo que consuma y a medida que lo haga; no se requieren pagos mínimos ni compromisos anticipados. Consulte la página de precios de Amazon SageMaker para obtener más detalles.

P: ¿Qué sucede si ya tengo mi propio bloc de notas, entrenamiento o entorno de alojamiento?

Amazon SageMaker ofrece un flujo de trabajo integral y completo, pero puede continuar usando las herramientas existentes con SageMaker. Puede transferir fácilmente los resultados de cada etapa hacia y desde SageMaker en función de las necesidades de su empresa.

P: ¿R es compatible con Amazon SageMaker?

Sí, R es compatible con Amazon SageMaker. Puede utilizar R en las instancias de bloc de notas de SageMaker, que incluyen un kernel R preinstalado y la biblioteca reticular. La biblioteca reticular ofrece una interfaz R para el SDK para Python de Amazon SageMaker, lo que permite a los profesionales del aprendizaje automático crear, entrenar, ajustar e implementar modelos R. 

P: ¿Cómo puedo revisar mi modelo en busca de desequilibrios?

Amazon SageMaker Clarify ayuda a mejorar la transparencia del modelo mediante la detección de tendencias estadísticas en la totalidad del flujo de trabajo de aprendizaje automático. SageMaker Clarify revisa si hay desequilibrios durante la preparación de los datos, después del entrenamiento y de forma continua con el paso del tiempo. Además, incluye herramientas para explicar los modelos de aprendizaje automático y sus predicciones. Los resultados se pueden compartir mediante informes de explicabilidad.

P: ¿Qué tipo de tendencias detecta Amazon SageMaker Clarify?

La medición de las tendencias en los modelos de aprendizaje automático es el primer paso para mitigar dichas tendencias. La tendencia se puede medir antes y después del entrenamiento, al igual que las inferencias de un modelo implementado. Cada medición de una tendencia corresponde a una noción distinta de imparcialidad. Incluso, la consideración de nociones simples de imparcialidad da lugar a muchas medidas diferentes que se pueden aplicar en diversos contextos. Debemos elegir las nociones de tendencia y las métricas que son válidas para la aplicación y la situación que se están analizando. En la actualidad, admitimos el procesamiento informático de diferentes métricas de tendencias para el entrenamiento de los datos (como parte de la preparación de los datos de SageMaker), para el modelo entrenado (como parte de SageMaker Experiments) y para las inferencias del modelo implementado (como parte de SageMaker Model Monitor). Por ejemplo, antes del entrenamiento, proporcionamos métricas para verificar si los datos de entrenamiento son representativos (es decir, si un grupo está poco representado) y si hay diferencias en la distribución de etiquetas en los grupos. Luego del entrenamiento o durante la implementación, nuestras métricas pueden ser útiles para determinar si el rendimiento del modelo difiere entre los grupos y, si es así, por cuánto difiere. Por ejemplo, podemos comenzar comparando los índices de error (cuán probable es que la predicción de un modelo difiera de la verdadera etiqueta) o hacer un desglose aún mayor para lograr precisión (cuán probable es que una predicción positiva sea correcta) y una recuperación (cuán probable es que el modelo etiquete correctamente un ejemplo positivo).

P: ¿De qué manera Amazon SageMaker Clarify mejora la explicabilidad del modelo?

Amazon SageMaker Clarify está integrado a SageMaker Experiments para proporcionar un gráfico de la importancia de las características, que detalla la importancia de cada entrada del proceso general de toma de decisiones del modelo luego de que este se entrenó. Estos detalles pueden ayudar a determinar si la entrada de un modelo en particular posee más influencia de la que debería tener en el comportamiento general del modelo. SageMaker Clarify también brinda explicaciones respecto de las predicciones individuales disponibles a través de la API, de manera que puedan usarlas los empleados que tratan con los clientes y las partes interesadas.
 

P: ¿Qué es Amazon SageMaker Studio?

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 que aumenta su productividad. Todas las actividades de desarrollo de aprendizaje automático, incluidos los blocs de notas, la administración de experimentos, la creación automática de modelos, la depuración y la generación de perfiles, así como la detección de desviaciones de los modelos, se pueden realizar dentro de la interfaz visual unificada de SageMaker Studio.

P: ¿Cuál es el esquema de precios de Amazon SageMaker Studio?

No se aplican cargos adicionales por utilizar Amazon SageMaker Studio. Solo debe pagar los cargos subyacentes por cómputo y almacenamiento de los servicios que utilice dentro de Amazon SageMaker Studio.

P: P: ¿En qué regiones se admite Amazon SageMaker Studio?

Puede encontrar las regiones en las que se admite Amazon SageMaker Studio en esta documentación.

Aprendizaje automático de código bajo

P: ¿Qué es Amazon SageMaker Autopilot?

Amazon SageMaker Autopilot es la primera capacidad automatizada de aprendizaje automático del sector que le brinda control y visibilidad totales de sus modelos de aprendizaje automático. SageMaker Autopilot inspecciona automáticamente datos sin procesar, aplica procesadores de características, selecciona el mejor conjunto de algoritmos, entrena y ajusta múltiples modelos, rastrea sus rendimientos 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.

P: ¿En qué se diferencia Amazon SageMaker Autopilot de los servicios de inteligencia artificial verticales, como Amazon Personalize y Amazon Forecast?

Mientras que Amazon Personalize y Amazon Forecast apuntan específicamente a una recomendación personalizada y al pronóstico de casos de uso, Amazon SageMaker Autopilot es una solución genérica de aprendizaje automático para problemas de clasificación y regresión, como la detección de fraude, análisis de renovación y marketing orientado. Personalize y Forecast se centran en simplificar la experiencia integral al ofrecer alojamiento de entrenamiento y modelos en un paquete. Puede entrenar modelos usando Amazon SageMaker Autopilot y obtener acceso total a los modelos así como a los canales que generan los modelos. Luego pueden implementar los modelos en el entorno del alojamiento que elijan o iterar aún más para mejorar la calidad del modelo.

P: ¿Qué algoritmos integrados se admiten en Amazon SageMaker Autopilot?

Amazon SageMaker Autopilot admite dos algoritmos integrados en el momento de su lanzamiento: XGBoost y aprendizaje lineal.

P: ¿Puedo detener manualmente un trabajo de Amazon SageMaker Autopilot?

Sí. Puede detener un trabajo en cualquier momento. Cuando se detiene un trabajo de Amazon SageMaker Autopilot, todas las pruebas en curso se detendrán y no se iniciará ninguna prueba nueva.

P: ¿Cómo puedo comenzar a utilizar Amazon SageMaker de forma rápida?

Amazon SageMaker JumpStart lo ayuda a comenzar a utilizar el aprendizaje automático de forma rápida y fácil. SageMaker JumpStart proporciona un conjunto de soluciones para los casos de uso más comunes que se pueden implementar fácilmente con solo unos pocos clics. Las soluciones son totalmente personalizables y muestran el uso de las plantillas y las arquitecturas de referencia de AWS CloudFormation para que pueda acelerar su recorrido por el aprendizaje automático. SageMaker JumpStart también admite la implementación en un solo clic y el ajuste de más de 150 modelos populares de código abierto, como los modelos de transformador, de detección de objetos y de clasificación de imágenes.
 

P: ¿Qué modelos de código abierto son compatibles con Amazon SageMaker JumpStart?

Amazon SageMaker JumpStart incluye más de 150 modelos de código abierto con entrenamiento previo de PyTorch Hub y TensorFlow Hub. Para las tareas de visualización, como la clasificación de imágenes y la detección de objetos, puede aprovechar los modelos como ResNet, MobileNet y Single-Shot Detector (SSD). Para las tareas de texto, como la clasificación de oraciones, la clasificación de textos o las respuestas a preguntas, puede usar los modelos como BERT, RoBERTa y DistilBERT.

P: ¿Qué soluciones vienen prediseñadas con Amazon SageMaker JumpStart?

SageMaker JumpStart incluye soluciones que están preconfiguradas con todos los servicios de AWS que se necesitan para lanzar una solución en etapa de producción. Las soluciones son completamente personalizables, por lo que puede modificarlas con facilidad para que se ajusten a su caso de uso y sus conjuntos de datos específicos. Puede utilizar soluciones para más de 15 casos de uso, incluidos la predicción de la demanda, la detección de fraudes y el mantenimiento predictivo, e implementar soluciones fácilmente con solo unos pocos clics. Para obtener más información acerca de todas las soluciones disponibles, visite la página de introducción de SageMaker.
 

P: ¿Cómo funciona el sistema de precios de Amazon SageMaker JumpStart?

Se cobra por los servicios de AWS que se lanzan a partir del uso de SageMaker JumpStart, como los trabajos de entrenamiento y los puntos de enlace, en función de los precios de SageMaker. No se aplican cargos adicionales por utilizar Amazon SageMaker JumpStart.

Flujos de trabajo del aprendizaje automático

P: ¿Cómo puedo crear una canalización de integración y entrega continuas (CI/CD) con Amazon SageMaker?

Amazon SageMaker Pipelines lo ayuda a crear flujos de trabajo de aprendizaje automático completamente automatizados desde la preparación de los datos hasta la implementación del modelo, de manera que las empresas puedan escalar a miles de modelos de aprendizaje automático en etapa de producción. SageMaker Pipelines viene con un SDK de Python que se conecta a SageMaker Studio para que pueda aprovechar una interfaz visual y crear cada paso del flujo de trabajo. Luego, usando una sola API, puede conectar cada paso para crear un flujo de trabajo completo. SageMaker Pipelines se encarga de administrar los datos entre los pasos, empaquetar las recetas de códigos y organizar su ejecución, lo que reduce el tiempo de codificación de meses a unas pocas horas. Cada vez que se ejecuta un flujo de trabajo, se lleva un registro completo de los datos procesados y de las acciones realizadas para que los científicos de datos y los desarrolladores de aprendizaje automático puedan depurar los problemas con rapidez.

P: ¿Cómo visualizo todos los modelos entrenados para elegir el mejor modelo para pasar a la etapa de producción?

Amazon SageMaker Pipelines proporciona un repositorio central de modelos entrenados llamado “registro de modelos”. Puede descubrir modelos y acceder al registro de modelos de forma visual a través de SageMaker Studio o, de forma programática, a través del SDK de Python, lo que facilita la elección del modelo deseado que se implementará en etapa de producción.

P: ¿Qué componentes de Amazon SageMaker se pueden agregar a Amazon SageMaker Pipelines?

Los componentes disponibles a través de Amazon SageMaker Studio, incluidos SageMaker Clarify, SageMaker Data Wrangler, SageMaker Feature Store, SageMaker Experiments, SageMaker Debugger y SageMaker Model Monitor, se pueden agregar a SageMaker Pipelines.

P: ¿Cómo realizo un seguimiento de los componentes de mi modelo a lo largo de todo el flujo de trabajo de aprendizaje automático?

Amazon SageMaker Pipelines realiza un seguimiento automático de todos los componentes del modelo y lleva un registro de auditoría de todos los cambios, por lo que elimina el seguimiento manual y lo ayuda a cumplir los objetivos de conformidad. Con SageMaker Pipelines, puede realizar un seguimiento de los datos, el código, los modelos entrenados y más.

P: ¿Cómo funciona el sistema de precios de Amazon SageMaker Pipelines?

No se aplican cargos adicionales por utilizar Amazon SageMaker Pipelines. Solo paga por los servicios subyacentes de cómputo o cualquier otro servicio de AWS independiente que utilice dentro de SageMaker Pipelines.

P: ¿Puedo usar Kubeflow con Amazon SageMaker?

Sí. Los componentes de Amazon SageMaker para Kubeflow Pipelines son complementos de código abierto que permiten usar Kubeflow Pipelines para definir los 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 escalables. 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 el aprendizaje automático, con los componentes de Amazon SageMaker para Kubeflow Pipelines, es posible aprovechar las poderosas características de SageMaker, como el etiquetado de datos, los trabajos de ajuste totalmente administrado de hiperparámetros a gran escala y de entrenamiento distribuido, la implementación de modelos segura y escalable en un solo clic y el entrenamiento rentable mediante instancias de spot de Amazon EC2, sin necesidad de configurar ni administrar clústeres de Kubernetes específicamente para ejecutar los trabajos de aprendizaje automático.

P: ¿Cómo funciona el sistema de precios de los componentes de Amazon SageMaker para Kubeflow Pipelines?

No se aplican cargos adicionales por utilizar los componentes de Amazon SageMaker para Kubeflow Pipelines.
 

Preparación de datos

P: ¿Cómo puede Amazon SageMaker preparar los datos para el aprendizaje automático?

Amazon SageMaker Data Wrangler reduce el tiempo que tarda en agregar y preparar los datos para el aprendizaje automático. Desde una única interfaz en SageMaker Studio, puede importar datos de Amazon S3, Amazon Athena, Amazon Redshift, AWS Lake Formation y Amazon SageMaker Feature Store y, con solo unos pocos clics, SageMaker Data Wrangler cargará, agregará y mostrará los datos sin procesar de forma automática. Luego, realizará recomendaciones de conversión en función de los datos de origen, transformará los datos en nuevas características, validará las características y proporcionará visualizaciones con recomendaciones acerca de cómo eliminar orígenes comunes de errores, como las etiquetas incorrectas. Una vez que los datos estén preparados, puede crear flujos de trabajo de aprendizaje automático totalmente automatizados con Amazon SageMaker Pipelines o importar esos datos en Amazon SageMaker Feature Store.

P: ¿Cómo puedo crear características de modelos con Amazon SageMaker Data Wrangler?

Sin tener que escribir ni una línea de código, Amazon SageMaker Data Wrangler puede transformar sus datos en nuevas características de forma automática. SageMaker Data Wrangler ofrece una selección de transformaciones de datos preconfiguradas, como la conversión del tipo de columna, la codificación one-hot, la imputación de datos faltantes con media o mediana, el reescalado de columnas y las integraciones de datos o tiempo. Por ejemplo, puede convertir una columna de campo de texto en una columna numérica con un solo clic o crear transformaciones personalizadas en PySpark, SQL y Pandas.

P: ¿Cómo puedo visualizar los datos en Amazon SageMaker Data Wrangler?

Amazon SageMaker Data Wrangler lo ayuda a comprender sus datos y a identificar los errores y los valores extremos potenciales con un conjunto de plantillas sólidas de visualización preconfiguradas. Los histogramas, los diagramas de dispersión y las visualizaciones específicas del aprendizaje automático, como la detección de filtraciones en los destinos, están disponibles sin necesidad de escribir ni una sola línea de código. También puede crear y editar sus propias visualizaciones.

P: ¿Cómo funciona el sistema de precios de Amazon SageMaker Data Wrangler?

Debe pagar por todos los recursos informáticos, de almacenamiento y de procesamiento de datos que use para Amazon SageMaker Data Wrangler. Puede revisar todos los detalles referidos a los precios de Amazon SageMaker Data Wrangler aquí. Como parte de la capa gratuita de AWS, también puede comenzar a utilizar SageMaker Data Wrangler de forma gratuita.

P: ¿Cómo almaceno características para mis modelos de aprendizaje automático?

Amazon SageMaker Feature Store proporciona un repositorio central para las características de datos con lecturas y escrituras de baja latencia (millisegundos). Las características se pueden almacenar, recuperar, descubrir y compartir a través de SageMaker Feature Store para facilitar su reutilización entre diferentes modelos y equipos con acceso y control seguros. SageMaker Feature Store admite tanto las características en línea como aquellas sin conexión generadas a través de canalizaciones por lotes o streaming. Este servicio admite la reposición de las características y ofrece tanto almacenes en línea como sin conexión para mantener la paridad entre las características utilizadas en el entrenamiento y la inferencia de los modelos.

P: ¿Cómo mantengo la consistencia entre las características en línea y sin conexión?

Amazon SageMaker Feature Store mantiene la consistencia entre las características en línea y sin conexión de forma automática, sin necesidad de administración o código adicionales. SageMaker Feature Store es una capacidad completamente administrada y mantiene la consistencia entre los entornos de entrenamiento y de inferencia.

P: ¿Cómo puedo reproducir una característica de un momento específico?

Amazon SageMaker Feature Store mantiene las marcas temporales de todas las características en todo momento. Esto lo ayuda a recuperar las características en cualquier periodo, ya sea por requisitos empresariales o de conformidad. Puede explicar las características del modelo y sus valores con facilidad desde el momento en que se crearon por primera vez hasta la actualidad reproduciendo el modelo de un momento determinado.

¿Qué son las características sin conexión?

Las características sin conexión se utilizan para el entrenamiento debido a que se necesita tener acceso a volúmenes muy grandes durante un largo periodo. Estas características funcionan desde un repositorio de gran rendimiento y con un alto nivel de ancho de banda.

¿Qué son las características en línea?

Las características en línea se utilizan en las aplicaciones necesarias para realizar predicciones en tiempo real. Las características en línea funcionan desde un repositorio de gran rendimiento con latencia en milisegundos de un solo dígito para efectuar predicciones rápidas.

P: ¿Cómo funciona el sistema de precios de Amazon SageMaker Feature Store?

Puede comenzar a utilizar Amazon SageMaker Feature Store de forma gratuita, como parte de la capa gratuita de AWS. Con SageMaker Feature Store, paga por escribir en el almacén de características y por el almacenamiento que realice en el almacén de características en línea y las lecturas que haga desde él. La página de precios de SageMaker contiene todos los detalles sobre cómo funciona el sistema de precios de SageMaker Feature Store.

P: ¿Qué es Amazon SageMaker Ground Truth?

Amazon SageMaker Ground Truth permite realizar el etiquetado automatizado de datos mediante el uso de aprendizaje automático. Amazon SageMaker Ground Truth primero seleccionará una muestra aleatoria de datos y la enviará a Amazon Mechanical Turk para su etiquetado. Luego, los resultados se utilizan para entrenar un modelo de etiquetado que intenta etiquetar automáticamente una nueva muestra de datos sin procesar. Las etiquetas se confirman cuando el modelo puede etiquetar los datos con una puntuación de confianza que cumple con un umbral o lo supera. Cuando la puntuación de confianza no alcanza dicho umbral, los datos se envían al equipo de etiquetadores. Algunos de los datos etiquetados por el equipo se utilizan para generar un nuevo conjunto de datos de entrenamiento para el modelo de etiquetado y el modelo se vuelve a entrenar automáticamente para mejorar su precisión. Este proceso se repite con cada muestra de datos sin procesar por etiquetarse. Con cada iteración, el modelo de etiquetado se torna más capaz de etiquetar automáticamente datos sin procesar y así, se envían menos datos a las personas.
 

Creación de modelos

P: ¿Qué son los blocs de notas de Amazon SageMaker Studio?

El bloc de notas de Amazon SageMaker Studio es una nueva experiencia de bloc de notas colaborativa, flexible y administrada por Jupyter, que forma parte de Amazon SageMaker Studio, un entorno de desarrollo completamente integrado para el aprendizaje automático.

P: ¿En qué se diferencian los blocs de notas de SageMaker Studio de los blocs de notas basados en instancias?

Los blocs de notas de SageMaker Studio ofrecen algunas características importantes que los diferencian de los blocs de notas basados en instancias. Con la nueva experiencia, ahora puede lanzar blocs de notas rápidamente sin la necesidad de aprovisionar una instancia de forma manual y esperar a que esté operativa. El tiempo de inicio del lanzamiento de la interfaz de usuario para leer y ejecutar un bloc de notas es más rápido que el de un bloc de notas basado en instancias.

También ofrecen la flexibilidad necesaria para elegir entre una gran colección de tipos de instancias en la interfaz de usuario en cualquier momento. No necesitará volver a la consola de AWS para iniciar nuevas instancias ni efectuar transferencias a través de sus blocs de notas.

Cada usuario dispone de un directorio principal aislado, independientemente del tipo de instancia. Este directorio se monta automáticamente en todos los servidores de blocs de notas y kernels cuando estos se inician, de manera que pueda acceder a ellos y otros archivos, incluso cuando cambie de instancias para visualizar y ejecutar sus blocs de notas.

Los blocs de notas de SageMaker Studio están integrados con AWS SSO, lo que facilita el uso de sus credenciales organizacionales para acceder a ellos. El intercambio de los blocs de notas es una característica integrada de los blocs de notas de SageMaker. También puede compartir los blocs de notas con sus colegas con un simple clic.

P: ¿Qué tipos de blocs de notas se admiten?

Actualmente, se admiten blocs de notas de Jupyter.

P: ¿Cómo funcionan los blocs de notas de Amazon SageMaker Studio?

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.

Con los blocs de notas de SageMaker Studio, puede iniciar sesión con sus credenciales corporativas a través de AWS SSO. Compartir los blocs de notas dentro de un equipo y con otros equipos es sencillo, ya que las dependencias necesarias para ejecutarlos se siguen automáticamente en imágenes de trabajo que se encapsulan con el bloc de notas cuando este se comparte.

P: ¿De qué manera los blocs de notas de Amazon SageMaker Studio funcionan con otros servicios de AWS?

Los blocs de notas de Amazon SageMaker Studio le brindan acceso a todas las características de SageMaker, como entrenamiento distribuido, transformación de lotes, alojamiento y administración de experimentos. Puede acceder a otros servicios, como conjuntos de datos, en Amazon S3, Amazon Redshift, AWS Glue, Amazon EMR o AWS Lake Formation a partir de los blocs de notas de SageMaker.

P: ¿Cuál es el esquema de precios de los blocs de notas de SageMaker Studio?

Cuando se utilizan los blocs de notas de SageMaker Studio, se paga por el cómputo y por el almacenamiento. Consulte los precios de Amazon SageMaker para ver los cargos por tipo de instancia de cómputo. Sus blocs de notas y los artefactos asociados, como scripts y archivos de datos, se almacenan de forma persistente en Amazon EFS. Consulte los precios de Amazon EFS para ver los cargos de almacenamiento. Como parte de la capa gratuita de AWS, puede comenzar a utilizar los blocs de notas de Amazon SageMaker de forma gratuita.

P: ¿La creación y ejecución de cada bloc de notas en SageMaker Studio se cobra de manera individual?

No. Puede crear y ejecutar varios blocs de notas en la misma instancia de cómputo. Solamente pagará por la capacidad de cómputo que use, no por los elementos individuales. Puede leer más información sobre este tema en nuestra guía de medición.

Además de los blocs de notas, también puede iniciar y ejecutar terminales y shells interactivos en Studio, todo en la misma instancia de cómputo. Cada aplicación se ejecuta dentro de un contenedor o una imagen. SageMaker Studio ofrece varias imágenes integradas personalizadas y preconfiguradas para tareas de ciencia de datos y aprendizaje automático. Puede leer más información sobre el entorno de desarrollo de Studio en nuestra guía sobre cómo usar los blocs de notas de SageMaker Studio .

P: ¿Cómo monitoreo y apago los recursos que utilizan los blocs de notas?

Puede usar tanto la interfaz visual de SageMaker Studio como la consola de administración de AWS para monitorear y apagar los recursos que utilizan los blocs de notas de SageMaker Studio. Consulte la documentación para leer más detalles.

P: Si estoy ejecutando un bloc de notas de SageMaker Studio, ¿se me seguirá cobrando si cierro el navegador, cierro la pestaña del bloc de notas o solamente dejo el navegador abierto?

Sí, se le seguirá cobrando por la capacidad de cómputo. El funcionamiento es similar a iniciar instancias EC2 en la consola de administración de AWS y luego cerrar el navegador. Las instancias EC2 se siguen ejecutando y se le siguen cobrando cargos, a menos que cierre explícitamente la instancia.

P: ¿Se cobra la creación y configuración de un dominio de Studio?

No, no se cobra la creación ni la configuración de un dominio de Studio, que incluye agregar, actualizar y eliminar perfiles de usuarios.

P: ¿Cómo puedo ver los cargos desglosados de los blocs de notas de Studio o de otros servicios de SageMaker?

Como administrador, puede ver la lista de cargos desglosados de SageMaker, incluido Studio, en la consola de facturación de AWS. En la consola de administración de AWS para SageMaker, elija Servicios en el menú superior, escriba Facturación en el cuadro de búsqueda, seleccione Facturación en el menú desplegable y, a continuación, elija Facturas en el panel izquierdo. En la sección “Detalles”, puede hacer clic en SageMaker para ampliar la lista de regiones y analizar detenidamente los cargos desglosados.

Entrenamiento de modelos

P: ¿Qué es Amazon SageMaker Experiments?

Amazon SageMaker Experiments le ayuda a organizar y rastrear iteraciones en modelos de aprendizaje automático. 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.

P: ¿Qué es Amazon SageMaker Debugger?

Amazon SageMaker Debugger registra automáticamente métricas en tiempo real durante el entrenamiento, como el entrenamiento y la validación, las matrices de confusión y los gradientes de aprendizaje, para ayudar a mejorar la precisión del modelo. Las métricas SageMaker Debugger pueden visualizarse en SageMaker Studio para entenderlas con facilidad. SageMaker Debugger también genera advertencias y consejos de solución cuando se detectan problemas de entrenamiento comunes. SageMaker Debugger también monitorea y describe de forma automática los recursos del sistema, como la CPU, la GPU, la red y la memoria, en tiempo real, y brinda recomendaciones respecto de la reasignación de estos recursos. Esto le permite utilizar sus recursos de manera eficiente durante el entrenamiento y ayuda a reducir los costos y los recursos.

P: ¿Amazon SageMaker admite el entrenamiento distribuido?

Sí. Amazon SageMaker puede distribuir automáticamente los modelos de aprendizaje profundo y los grandes conjuntos de entrenamiento entre las instancias de GPU de AWS en una fracción del tiempo que lleva crear y optimizar estas estrategias de distribución de forma manual. Las dos técnicas de entrenamiento distribuido que SageMaker aplica son el paralelismo de datos y el paralelismo de modelos. El paralelismo de datos se aplica para mejorar las velocidades de entrenamiento al dividir los datos de forma equitativa entre las múltiples instancias de GPU, lo que permite que todas las instancias se entrenen al mismo tiempo. El paralelismo de modelos es útil para los modelos que son demasiado grandes para estar almacenados en una única GPU y necesitan que el modelo esté dividido en partes más pequeñas antes de distribuirlas entre varias GPU. Con solo unas pocas líneas de código adicional en sus scripts de entrenamiento de PyTorch y TensorFlow, SageMaker aplicará el paralelismo de datos o el paralelismo de modelos por usted de forma automática, lo que le permitirá desarrollar e implementar modelos con mayor rapidez. SageMaker determinará el mejor enfoque para dividir el modelo mediante algoritmos de partición de gráficos para balancear el procesamiento informático de cada GPU y, a la vez, minimizar la comunicación entre instancias de GPU. SageMaker también optimiza sus trabajos de entrenamiento distribuido mediante algoritmos que utilizan completamente la informática y las redes de AWS para lograr una eficiencia de escalado casi lineal, lo que le permite completar el entrenamiento con mayor rapidez que con implementaciones manuales de código abierto.

P: ¿Qué es Managed Spot Training?

Managed Spot Training con Amazon SageMaker le permite entrenar sus modelos de aprendizaje automático con instancias de spot de Amazon EC2, y así reducir el costo de entrenamiento de sus modelos en hasta un 90 %.

P: ¿Cómo uso Managed Spot Training?

Usted habilita la opción de Managed Spot Training cuando envía sus trabajos de entrenamiento y especifica cuánto tiempo quiere esperar para la capacidad Spot. Amazon SageMaker usa las instancias de spot de Amazon EC2 para ejecutar su trabajo y administra la capacidad Spot. Tiene completa visibilidad del estado del trabajo de entrenamiento, tanto mientras se está ejecutando como cuando está esperando por más capacidad.

P: ¿Cuándo debo usar Managed Spot Training?

Managed Spot Training es ideal cuando tiene flexibilidad en las ejecuciones de entrenamiento y quiere minimizar el costo de sus trabajos de entrenamiento. Con Managed Spot Training, puede reducir el costo de entrenamiento de sus modelos de aprendizaje automático hasta en un 90 %.

P: ¿Cómo funciona Managed Spot Training?

Managed Spot Training usa las instancias de spot de Amazon EC2 para el entrenamiento, que pueden ser reemplazadas cuando AWS necesite la capacidad. Por lo tanto, los trabajos de Managed Spot Training pueden ejecutarse en incrementos pequeños a medida que haya capacidad disponible. No es necesario que los trabajos de entrenamiento empiecen desde el principio cada vez que haya una interrupción, ya que Amazon SageMaker puede reanudar los trabajos usando el punto de control del último modelo. Los marcos y los algoritmos de visión por computadora integrados en SageMaker permiten establecer puntos de control periódicos, que usted puede establecer con modelos personalizados.

P: ¿Debo establecer puntos de control periódicamente con Managed Spot Training?

Por lo general, recomendamos establecer puntos de control periódicamente para trabajos de entrenamiento largos. Esto evita que los trabajos de Managed Spot Training se reinicien si la capacidad está agotada. Cuando habilita los puntos de control, Amazon SageMaker reanuda sus trabajos de Managed Spot Training desde el último punto de control.

P: ¿Cómo se calcula el ahorro en el costo con trabajos de Managed Spot Training?

Una vez que un trabajo de Managed Spot Training se completa, usted puede ver el ahorro en la consola de administración de AWS así como calcular el ahorro de costos como la diferencia porcentual entre la duración de la ejecución del trabajo de entrenamiento y la duración que se cobró.

Independientemente de cuántas veces hayan sido interrumpidos los trabajos de Managed Spot Training, solo se cobrará una vez por la duración que tomo descargar los datos.

P: ¿Qué instancias puedo usar con Managed Spot Training?

Managed Spot Training puede usarse con todas las instancias admitidas en Amazon SageMaker.

P: ¿En qué regiones de AWS está admitido Managed Spot Training?

Managed Spot Training está admitido en todas las regiones de AWS en las que Amazon SageMaker está disponible actualmente.

P: ¿Hay límites en cuanto al tamaño del conjunto de datos que se puede utilizar para el entrenamiento?

No hay límites fijos en cuanto al tamaño del conjunto de datos que se puede usar para entrenar modelos con Amazon SageMaker.

P: ¿Qué orígenes de datos puedo introducir fácilmente en Amazon SageMaker?

Puede especificar la ubicación de Amazon S3 de los datos de entrenamiento como parte de la creación de un trabajo de entrenamiento.

P: ¿Qué algoritmos usa Amazon SageMaker para generar modelos?

Amazon SageMaker incluye algoritmos integrados para regresión lineal, regresión logística, agrupación de clústeres k-means, análisis de componentes principales, equipos de factorización, modelado de temas neuronal, asignación latente dirichlet, árboles con potenciación del gradiente, secuencia a secuencia, previsión de serie temporal, word2vec y clasificación de imágenes. SageMaker también proporciona versiones optimizadas de Apache MXNet, Tensorflow, Chainer, PyTorch, Gluon, Keras, Horovod, Scikit-learn y contenedores de Deep Graph Library. Además, Amazon SageMaker admite algoritmos de entrenamiento personalizados provistos mediante una imagen de Docker que se ajuste a la especificación documentada.

P: ¿Qué es el ajuste de modelo automático?

La mayoría de los algoritmos de aprendizaje automático presenta una variedad de parámetros que controlan la manera en la que funciona el algoritmo subyacente. Dichos parámetros generalmente se denominan hiperparámetros y sus valores afectan la calidad de los modelos entrenados. El ajuste de modelo automático es el proceso por el cual se busca un conjunto de hiperparámetros para un algoritmo que puede producir un modelo óptimo.

P: ¿Qué modelos se pueden modificar con el ajuste de modelo automático?

Puede ejecutar el ajuste de modelo automático en Amazon SageMaker sobre cualquier algoritmo siempre y cuando sea científicamente viable, incluidos los algoritmos de SageMaker integrados, las redes neuronales profundas o los algoritmos arbitrarios que incorpora a SageMaker como imágenes de Docker.

P: ¿Puedo usar el ajuste de modelo automático fuera de Amazon SageMaker?

Por ahora no. La mejor experiencia y el mejor rendimiento del ajuste de modelo se obtienen dentro de Amazon SageMaker.

P: ¿Qué es el algoritmo de ajuste subyacente?

Actualmente, nuestro algoritmo para el ajuste de hiperparámetros es una implementación personalizada de optimización bayesiana. Su objetivo es optimizar una métrica de objetivos específica del cliente mediante el proceso de ajuste. Específicamente, verifica la métrica de objetivos de trabajos de entrenamiento finalizados y utiliza el conocimiento para inferir la combinación de hiperparámetros para el próximo trabajo de entrenamiento.

P: ¿Recomendarán hiperparámetros específicos para el ajuste?

No. La manera en la que determinados hiperparámetros afectan al rendimiento del modelo depende de varios factores y es difícil decir de manera definitiva que un hiperparámetro es más importante que otros y que, por lo tanto, debe ajustarse. Para algoritmos integrados dentro de Amazon SageMaker, sí avisamos si un hiperparámetro se puede ajustar o no.

P: ¿Cuánto demora una tarea de ajuste de hiperparámetros?

La duración de una tarea de ajuste de hiperparámetros depende de varios factores, incluido el tamaño de los datos, el algoritmo subyacente y los valores de los hiperparámetros. Además, los clientes pueden elegir el número de tareas de entrenamiento simultáneas y el número total de tareas de entrenamiento. Todas estas opciones afectan la duración del trabajo de ajuste de los hiperparámetros.

P: ¿Puedo optimizar varios objetivos simultáneamente, como un modelo, para que sea ágil y preciso?

Por ahora no. Actualmente, debe especificar una única métrica de objetivo que quiera optimizar, o bien modificar el código del algoritmo para emitir una métrica nueva, que se promedia entre dos o más métricas útiles, y optimizar el proceso de ajuste en pos de dicha métrica de objetivo.

P: ¿Cuánto cuesta el ajuste de modelo automático?

No se cobra la tarea de ajuste de hiperparámetros en sí. Se le cobrarán los trabajos de entrenamiento que inicie el trabajo de ajuste de hiperparámetros, en función de los precios de entrenamiento de modelos.

P: ¿Cómo sé si debo usar Amazon SageMaker Autopilot o el ajuste de modelo automático?

Amazon SageMaker Autopilot automatiza todo en un flujo de trabajo típico de aprendizaje automático. Esto incluye preprocesamiento de características, selección de algoritmos y ajuste de hiperparámetro, y al mismo tiempo se centra en los casos de uso de clasificación y regresión. Por otra parte, el ajuste de modelo automático está diseñado para adecuarse a cualquier modelo, independientemente de si está basado en algoritmos integrados, marcos de aprendizaje profundo o contenedores personalizados. A cambio de la flexibilidad, debe seleccionar manualmente el algoritmo específico, determinar los hiperparámetros que quiere ajustar y los rangos de búsqueda correspondientes.

P: ¿Qué es el aprendizaje mediante refuerzo?

Es una técnica de aprendizaje automático que permite que un agente aprenda en un entorno interactivo por el método de prueba y error, utilizando la retroalimentación obtenida de sus propias acciones y experiencias.

P: ¿Puedo entrenar modelos de aprendizaje mediante refuerzo en Amazon SageMaker?

Sí. Aparte de los modelos de aprendizaje supervisado y no supervisado, puede entrenar modelos de aprendizaje mediante refuerzo en Amazon SageMaker.

P: ¿En qué se diferencia el aprendizaje mediante refuerzo del aprendizaje supervisado?

Ambos tipos de aprendizaje usan el mapeo entre la entrada y la salida pero, a diferencia del aprendizaje supervisado en el que la retroalimentación proporcionada al agente es un conjunto de acciones correctas para realizar una tarea, el aprendizaje mediante refuerzo utiliza una retroalimentación retrasada donde las señales de compensación se optimizan para garantizar un objetivo a largo plazo a través de una secuencia de acciones.

P: ¿Cuándo debo utilizar el aprendizaje mediante refuerzo?

Mientras que el objetivo de las técnicas de aprendizaje supervisado es encontrar la respuesta correcta en función de los patrones de los datos de entrenamiento, el objetivo de las técnicas de aprendizaje no supervisado es encontrar similitudes y diferencias entre los puntos de datos. Por el contrario, el objetivo de las técnicas de aprendizaje mediante refuerzo es aprender cómo obtener el resultado deseado, incluso cuando no esté claro como lograrlo. Como consecuencia, el aprendizaje mediante refuerzo (RL) es más adecuado para habilitar aplicaciones inteligentes en las que un agente puede tomar decisiones autónomas, como robótica, vehículos autónomos, sistemas de acondicionamiento, control industrial, etc.

P: ¿Qué tipo de entornos puedo utilizar para el entrenamiento de modelos de aprendizaje mediante refuerzo?

Amazon SageMaker RL admite distintos entornos para el entrenamiento de modelos de aprendizaje mediante refuerzo. Puede usar servicios de AWS como AWS RoboMaker, entornos de código abierto o personalizados desarrollados mediante interfaces Open AI Gym, así como entornos de simulación comercial, como MATLAB y SimuLink.

P: ¿Tengo que escribir mis propios algoritmos de agente de RL para entrenar modelos de aprendizaje mediante refuerzo?

No. Amazon SageMaker RL incluye conjuntos de herramientas de RL, como Coach y Ray RLLib, que ofrecen implementaciones de algoritmos de agente de RL, como DQN, PPO y A3C, entre otros.

P: ¿Puedo utilizar mis propias implementaciones de algoritmos y bibliotecas de RL, y ejecutarlas en Amazon SageMaker RL?

Sí. Puede traer sus propias implementaciones de algoritmos y bibliotecas de RL en contenedores Docker, y ejecutarlas en Amazon SageMaker RL.

P: ¿Puedo realizar ejecuciones distribuidas con Amazon SageMaker RL?

Sí. Puede incluso seleccionar un clúster heterogéneo, donde el entrenamiento puede ejecutarse en una instancia de GPU y las simulaciones en varias instancias de CPU.

Implementación de modelos

P: ¿Qué es el monitor de modelos de Amazon SageMaker?

El monitor de modelos de Amazon SageMaker permite a los desarrolladores detectar y solucionar cambios de concepto. 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.

P: ¿Puedo obtener acceso a la infraestructura en la que se ejecuta Amazon SageMaker?

No. Amazon SageMaker opera la infraestructura informática por usted, lo que le permite ejecutar comprobaciones de estado, aplicar parches de seguridad y realizar otras tareas de mantenimiento de rutina. También puede implementar artefactos de modelos de entrenamiento con un código de inferencia personalizado en su propio entorno de alojamiento.

P: ¿Cómo puedo escalar el tamaño y el desempeño del modelo de Amazon SageMaker una vez que ya se encuentre en producción?

El alojamiento de Amazon SageMaker se ajusta automáticamente al desempeño necesario para su aplicación mediante la característica Application Auto Scaling. Además, puede modificar manualmente el número y el tipo de instancia sin generar tiempos de inactividad mediante la modificación de la configuración del punto de enlace.

P: ¿Cómo puedo monitorizar el entorno de producción de Amazon SageMaker?

Amazon SageMaker emite métricas de desempeño hacia Amazon CloudWatch Metrics para que pueda realizar el seguimiento de métricas, definir alarmas y reaccionar automáticamente ante cambios en el tráfico de producción. Además, Amazon SageMaker escribe registros en Amazon Cloudwatch Logs para permitirle monitorizar y solucionar problemas del entorno de producción.

P: ¿Qué tipos de modelos se pueden alojar con Amazon SageMaker?

Amazon SageMaker puede alojar cualquier modelo que se ajuste a la especificación documentada para imágenes de Docker de inferencia. Incluye modelos creados a partir de códigos de inferencia y artefactos de modelos de Amazon SageMaker.

P: ¿Cuántas solicitudes de API simultáneas en tiempo real admite Amazon SageMaker?

Amazon SageMaker está diseñado para ajustar su escala a un número elevado de transacciones por segundo. El número preciso varía en función del modelo implementado y del número y del tipo de instancia en el que esté implementado el modelo.

P: ¿Qué es la transformación en lotes?

La transformación en lotes le permite ejecutar predicciones en lotes de datos grandes y pequeños. No es necesario desglosar el conjunto de datos en varios fragmentos ni administrar puntos de enlace en tiempo real. Con una API simple, puede solicitar predicciones para un gran número de registros de datos y transformar los datos de manera rápida y sencilla.

P: ¿Qué es Amazon SageMaker Edge Manager?

Amazon SageMaker Edge Manager es una capacidad de Amazon SageMaker que facilita la optimización, la protección, el monitoreo, y el mantenimiento de los modelos de aprendizaje automático en las flotas de dispositivos de borde, como las cámaras inteligentes, los robots, las computadoras personales y los dispositivos móviles. SageMaker Edge Manager ayuda a los desarrolladores de aprendizaje automático a operar modelos de aprendizaje automático en una variedad de dispositivos de borde a escala.

P: ¿Cómo puedo comenzar a utilizar SageMaker Edge Manager?

Para comenzar a utilizar SageMaker Edge Manager, debe compilar y empaquetar sus modelos de aprendizaje automático entrenados en la nube, registrar sus dispositivos y prepararlos con el SDK de SageMaker Edge Manager. Para preparar su modelo y poder implementarlo, SageMaker Edge Manager utiliza SageMaker Neo para compilar el modelo del hardware de borde de destino. Una vez que el modelo está compilado, SageMaker Edge Manager firma el modelo con una clave generada por AWS, luego empaca el modelo con el tiempo de ejecución y las credenciales necesarias para prepararse para la implementación. Del lado del dispositivo, debe registrarlo con SageMaker Edge Manager, descargar el SDK de SageMaker Edge Manager y, luego, seguir las instrucciones para instalar el agente de SageMaker Edge Manager en sus dispositivos. El bloc de notas del tutorial proporciona un ejemplo paso a paso de cómo puede preparar los modelos y conectarlos a los dispositivos de borde con SageMaker Edge Manager.

P: ¿Qué dispositivos son compatibles con SageMaker Edge Manager?

Amazon SageMaker Edge Manager es compatible con los dispositivos comunes basados en CPU (ARM, x86) y GPU (ARM, Nvidia) con sistemas operativos Linux y Windows. Con el tiempo, SageMaker Edge Manager ampliará su compatibilidad con más procesadores integrados y plataformas móviles que también son compatibles con SageMaker Neo.

P: ¿Tengo que utilizar Amazon SageMaker si quiero entrenar mi modelo para utilizar Amazon SageMaker Edge Manager?

No, no es necesario. Puede entrenar sus modelos con cualquier otro servicio o utilizar modelos entrenados previamente de código abierto o de proveedores de modelos.

P: ¿Tengo que utilizar Amazon SageMaker Neo si quiero compilar mi modelo para utilizar Amazon SageMaker Edge Manager?

Sí, debe hacerlo. Amazon SageMaker Neo convierte y compila sus modelos en un archivo ejecutable que usted luego puede empaquetar e implementar en sus dispositivos de borde. Una vez que el paquete del modelo se implemente, el agente de Amazon SageMaker Edge Manager desempacará el paquete del modelo y lo ejecutará en el dispositivo.

P: ¿Cómo implemento modelos en los dispositivos de borde?

Amazon SageMaker Edge Manager almacena el paquete del modelo en el bucket de Amazon S3 especificado. Puede utilizar la característica de implementación inalámbrica (OTA, over-the-air), que ofrece AWS IoT Greengrass, o cualquier otro mecanismo de implementación que elija para implementar el paquete del modelo en los dispositivos desde el bucket de S3.

P: ¿En qué se diferencia el SDK de Amazon SageMaker Edge Manager del tiempo de ejecución de SageMaker Neo (dlr)?

El dlr de Neo es un tiempo de ejecución de código abierto que solo ejecuta modelos compilados por el servicio Amazon SageMaker Neo. En comparación con el dlr de código abierto, el SDK de SageMaker Edge Manager incluye un agente de nivel empresarial integrado en el dispositivo con características adicionales de seguridad, administración de modelos y publicación de modelos. El SDK de SageMaker Edge Manager es conveniente para la implementación en producción a escala.

P: ¿Cómo se relaciona Amazon SageMaker Edge Manager con AWS IoT Greengrass?

Amazon SageMaker Edge Manager y AWS IoT Greengrass pueden trabajar juntos en su solución de IoT. Cuando su modelo de aprendizaje automático está empaquetado con SageMaker Edge Manager, puede utilizar la característica de actualización OTA de AWS IoT Greengrass para implementar el paquete del modelo en su dispositivo. AWS IoT Greengrass le permite monitorear sus dispositivos de IoT de forma remota al mismo tiempo que SageMaker Edge Manager lo ayuda a monitorear y mantener los modelos de aprendizaje automático en los dispositivos.

P: ¿Cómo se relaciona Amazon SageMaker Edge Manager con AWS Panorama? ¿Cuándo debería utilizar Amazon SageMaker Edge Manager o AWS Panorama?

AWS ofrece las capacidades más amplias y profundas para la ejecución de modelos en dispositivos de borde. Tenemos servicios para respaldar una amplia variedad de casos de uso, incluidos la visión artificial, el reconocimiento de voz y el mantenimiento predictivo.

Para aquellas empresas que buscan ejecutar la visión artificial en dispositivos de borde, como cámaras y electrodomésticos, puede utilizar AWS Panorama. Panorama ofrece aplicaciones de visión artificial para los dispositivos de borde listas para implementar. Es fácil comenzar a utilizar AWS Panorama, ya que inicia sesión en la consola de la nube, especifica el modelo que le gustaría utilizar en Amazon S3 o en SageMaker y, luego, escribe lógica de negocio como un script de Python. AWS Panorama compila el modelo para el dispositivo de destino y crea un paquete de la aplicación para que se pueda implementar en sus dispositivos con solo unos pocos clics. Además, los proveedores de software independientes (ISV) que quieran crear sus propias aplicaciones personalizadas pueden usar el SDK de AWS Panorama, mientras que los fabricantes de dispositivos pueden utilizar el SDK para dispositivos con el fin de certificar los suyos para AWS Panorama.

Los clientes que quieran crear sus propios modelos y tener un control más detallado de sus características pueden utilizar Amazon SageMaker Edge Manager. SageMaker Edge Manager es un servicio administrado para preparar, ejecutar, monitorear y actualizar los modelos de aprendizaje automático (ML) en las flotas de dispositivos de borde, como las cámaras inteligentes, los parlantes inteligentes y los robots, para cualquier caso de uso, como el procesamiento de lenguaje natural, la detección de fraudes y el mantenimiento predictivo. SageMaker Edge Manager está destinado a los desarrolladores de aprendizaje automático de borde que quieren tener el control de sus modelos, incluidos el diseño de diferentes características para los modelos y su monitoreo en caso de desviaciones. Cualquier desarrollador de aprendizaje automático de borde puede utilizar SageMaker Edge Manager a través de la consola y las API de SageMaker. SageMaker Edge Manager proporciona las capacidades de SageMaker para crear, entrenar e implementar modelos en la nube en dispositivos de borde.

P: ¿En qué regiones de AWS se encuentra disponible Amazon SageMaker Edge Manager?

Amazon SageMaker Edge Manager se encuentra disponible en 6 regiones de AWS: EE. UU. Este (Norte de Virginia), EE. UU. Este (Ohio), EE. UU. Oeste (Oregón), UE (Irlanda), UE (Fráncfort) y Asia-Pacífico (Tokio). Puede consultar los detalles en la tabla de regiones de AWS.

P: ¿Qué es Amazon SageMaker Neo?

Amazon SageMaker Neo permite que los modelos de aprendizaje automático entrenen una sola vez y se ejecuten en cualquier lugar, tanto en la nube como en el borde. SageMaker Neo optimiza automáticamente los modelos creados con marcos de aprendizaje profundo conocidos que se pueden utilizar para la implementación en múltiples plataformas de hardware. Los modelos optimizados se ejecutan hasta 25 veces más rápido y consumen menos de una décima parte de los recursos de los modelos de machine learning típicos.

P: ¿Cómo puedo comenzar a utilizar Amazon SageMaker Neo?

Para comenzar a utilizar Amazon SageMaker Neo, inicie sesión en la consola de Amazon SageMaker, elija un modelo entrenado, siga el ejemplo para compilar modelos e implemente el modelo resultante en la plataforma de hardware de destino.

P: ¿Cuáles son los principales componentes de Amazon SageMaker Neo?

Amazon SageMaker Neo tiene dos componentes principales: un compilador y un tiempo de ejecución. En primer lugar, el compilador de Neo lee los modelos exportados por los distintos marcos de trabajo. A continuación, convierte las operaciones y funciones específicas del marco de trabajo en una representación intermedia con independencia de este. Después, realiza una serie de optimizaciones. Entonces, el compilador genera código binario para las operaciones optimizadas y las escribe en una biblioteca de objetos compartidos. El compilador también guarda los parámetros y la definición del modelo en archivos independientes. Durante la ejecución, el tiempo de ejecución de Neo carga los artefactos generados por el compilador (definición del modelo, parámetros y la biblioteca de objetos compartidos) para ejecutar el modelo.

P: ¿Tengo que utilizar Amazon SageMaker si quiero entrenar mi modelo para utilizar Amazon SageMaker Neo en la conversión del modelo?

No. Puede entrenar los modelos en cualquier otro punto y utilizar Neo para optimizarlos para dispositivos compatibles con AWS IoT Greengrass o instancias de aprendizaje automático de Amazon SageMaker.

P: ¿Qué modelos admite Amazon SageMaker Neo?

En la actualidad, Amazon SageMaker Neo admite los modelos de aprendizaje profundo más populares, que impulsan las aplicaciones de visión informática y los modelos de árboles de decisiones más conocidos que se utilizan hoy en día en Amazon SageMaker. Neo optimiza el rendimiento de los modelos AlexNet, ResNet, VGG, Inception, MobileNet, SqueezeNet y DenseNet entrenados en MXNet y TensorFlow, así como de los modelos de clasificación y bosque de corte aleatorio entrenados en XGBoost.

P: ¿Qué plataformas de hardware admite Amazon SageMaker Neo?

Puede encontrar las listas de las instancias en la nube, los dispositivos de borde y las versiones de marcos admitidos en la documentación de Amazon SageMaker Neo.

P: ¿En qué regiones de AWS se encuentra disponible Amazon SageMaker Neo?

Si desea ver una lista completa de las regiones disponibles, consulte la tabla de regiones de AWS.

Más información sobre los precios de Amazon SageMaker

Visite la página de precios
¿Está listo para comenzar?
Regístrese
¿Tiene más preguntas?
Contacte con nosotros