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 información sobre la infraestructura global de AWS. Para obtener más información, consulte también Regiones y puntos de enlace en 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 S3 cifrados para datos y artefactos de modelos, así como también para transferir una clave de KMS a blocs de notas de SageMaker, trabajos de entrenamiento y puntos de enlace para cifrar el volumen de almacenamiento de aprendizaje automático adjunto.

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: ¿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. De forma rápida puede cargar datos, crear nuevos blocs de notas, entrenar y ajustar modelos, retroceder y avanzar entre pasos para ajustar experimentos, comparar resultados e implementar modelos para la producción, todo en un único lugar, lo que le hace mucho más productivo. Todas las actividades de aprendizaje automático, incluidos blocs de notas, administración de experimentos, creación de modelos automáticos, depuración y perfiles y detección de desviación de modelos se puede realizar dentro de la interfaz visual unificada de SageMaker Studio.

P: ¿Qué es 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. 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.

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: ¿Amazon SageMaker Autopilot admite entrenamiento distribuido?

Sí. Todos los algoritmos integrados de Amazon SageMaker Autopilot admiten entrenamiento distribuido listo para usar.

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 se detendrán y no se iniciará ninguna prueba nueva.

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 ofrece la flexibilidad necesaria para elegir entre una gran colección de tipos de instancias desde 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 de una instancia en particular. 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 conjunto 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: ¿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.

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 el depurador de Amazon SageMaker?

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 Amazon 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.

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 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 trabajo conocidos de aprendizaje profundo que se pueden utilizar para la implementación en múltiples plataformas de hardware. Los modelos optimizados se ejecutan hasta dos veces más rápido y consumen menos de una décima parte de los recursos de los modelos de aprendizaje automático 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 modelos de clasificación y bosque de corte aleatorio entrenados en XGBoost.

P: ¿Qué plataformas admite Amazon SageMaker Neo?

En la actualidad, Neo admite instancias de SageMaker ML.C5, ML.C4, ML.M5, ML.M4, ML.P3 y ML.P2; dispositivos AWS DeepLens, Raspberry Pi y Jetson TX1 y TX2; CPU Intel® Atom e Intel® Xeon basadas en dispositivos Greengrass; CPU ARM Cortex-A y GPU Nvidia Maxwell y Pascal.

P: ¿Tengo que utilizar una versión específica de un marco admitido en el hardware de destino?

No. Los desarrolladores pueden ejecutar modelos utilizando el contenedor de Amazon SageMaker Neo sin dependencias del marco.

P: ¿Cuánto cuesta utilizar Amazon SageMaker Neo?

Tan solo se paga por el uso de la instancia de aprendizaje automático de Amazon SageMaker que ejecuta la inferencia mediante 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
¿Listo para comenzar?
Regístrese
¿Tiene más preguntas?
Contacte con nosotros