Amazon SageMaker para MLOps
Proporcione rápidamente modelos de ML de producción de alto rendimiento a escala
Cree flujos de trabajo de entrenamiento repetibles para acelerar el desarrollo del modelo
Catalogue los artefactos de ML de forma centralizada para la reproducibilidad y la gobernabilidad
Integre los flujos de trabajo de ML con las canalizaciones de CI/CD para un tiempo de producción más rápido
Supervise de forma continua los datos y modelos en producción para mantener la calidad
Amazon SageMaker proporciona herramientas creadas expresamente para operaciones de machine learning (MLOps) para ayudarle a automatizar y estandarizar procesos en todo el ciclo de vida de ML. Al utilizar las herramientas de MLOps de SageMaker, puede entrenar, probar, solucionar, desplegar y gestionar modelos de ML a escala de forma sencilla para estimular la productividad de los científicos de datos y los ingenieros de ML mientras mantiene el rendimiento del modelo en producción.
How it works: Amazon SageMaker MLOps (Cómo funciona: MLOps de Amazon SageMaker)
Acelere el desarrollo del modelo
Aprovisionamiento de entornos de ciencia de datos estandarizados
La estandarización de los entornos de desarrollo de ML aumenta la productividad de los científicos de datos y, finalmente, el ritmo de la innovación mediante la facilidad para lanzar nuevos proyectos, rotar a los científicos de datos en los proyectos e implementar las mejores prácticas de ML. Amazon SageMaker Projects ofrece plantillas para el rápido aprovisionamiento de entornos de científicos de datos estandarizados con herramientas y bibliotecas, repositorios de control de origen, código modelo y canales CI/CD actualizados y bien probados.
Colabore con equipos de ciencia de datos en experimentos
La creación de modelos de ML es un proceso repetitivo que implica el entrenamiento de cientos de diferentes modelos en búsqueda de los mejores algoritmos, modelos de estructuras y parámetros para alcanzar el nivel requerido de precisión en la predicción. Puede rastrear las entradas y salidas en estas repeticiones de entrenamiento para mejorar la repetición de ensayos y la colaboración entre los científicos de datos mediante Amazon SageMaker Experiments, un función de gestión de experimentos de ML totalmente administrada.
SageMaker Experiments rastrea parámetros, métricas, conjuntos de datos y otros artefactos relacionados con los trabajos de entrenamiento de modelos. Ofrece una única interfaz donde se puede visualizar el progreso de los trabajos de entrenamiento, compartir experimentos con colegas y desplegar modelos directamente a partir de un experimento.
Flujos de trabajo de entrenamiento de ML automatizado
Los flujos de trabajo de entrenamiento automatizados le ayudan a crear un proceso repetible para organizar pasos de modelo de desarrollo para experimentación rápida y reentrenamiento de modelos. Automatice todo el flujo de trabajo de creación de modelos, incluidos la preparación de datos, la ingeniería de características, el entrenamiento de modelos, el ajuste de modelos y la validación de modelos con Amazon SageMaker Pipelines. Puede configurar Canalizaciones de SageMaker para que se ejecute automáticamente en intervalos regulares o cuando se desencadenen ciertos eventos, o puede ejecutarlo manualmente según sea necesario.
Despliegue y administre fácilmente modelos en producción
Reproduzca los modelos rápidamente para la resolución de problemas
A menudo debe reproducir los modelos en producción para solucionar problemas de funcionamiento de los modelos y determinar la causa principal. Para ayudar con esto, Amazon SageMaker registra cada paso del flujo de trabajo a través del seguimiento de auditoría de los artefactos del modelo, tales como los datos de entrenamiento, las configuraciones de la plataforma, los parámetros del modelo y las gradientes de aprendizaje. Con el seguimiento de linaje puede recrear modelos para depurar problemas potenciales
Realice un seguimiento y administre las versiones del modelo de forma centralizada
La creación de una aplicación de ML requiere el desarrollo de modelos, la canalización de datos, la canalización de entrenamiento y las pruebas de validación. Amazon SageMaker Model Registry le permite realizar un seguimiento de las versiones del modelo, de sus metadatos, como la agrupación de casos de uso, y de las referencias de las métricas de rendimiento del modelo en un repositorio central donde es fácil elegir el modelo adecuado para el despliegue en función de los requisitos de su empresa. Además, SageMaker Model Registry puede registrar automáticamente flujos de trabajo de aprobación para fines de auditoría y cumplimiento.
Defina infraestructuras de ML mediante código
La organización de infraestructura mediante archivos de configuración declarativa, conocida comúnmente como «infraestructura como código», es un enfoque popular para aprovisionar una infraestructura de ML e implementar una arquitectura de soluciones como lo especifican exactamente las canalizaciones de CI/CD o las herramientas de despliegue. Con Amazon SageMaker Projects puede escribir infraestructura como código con archivos de plantillas prediseñadas.
Automatizar flujos de trabajo (CI/CD) de integración y despliegue
Los flujos de trabajo de desarrollo de ML deben integrarse con los flujos de trabajo de integración y despliegue para proporcionar rápidamente nuevos modelos para las aplicaciones de producción. Amazon SageMaker Projects lleva las prácticas de CI/CD al ML, como por ejemplo el mantenimiento de la paridad entre los entornos de desarrollo y producción, el control de versiones y orígenes, las pruebas A/B y la automatización integral. Por consiguiente, un modelo pasa a producción en cuanto se aprueba, lo que aumenta la agilidad.
Además, Amazon SageMaker ofrece mecanismos de seguridad incorporados para ayudar a mantener la disponibilidad del punto de conexión y minimizar el riesgo de despliegue. SageMaker se ocupa de configurar y organizar las mejores prácticas de despliegue, como por ejemplo los despliegues azul-verde para maximizar la disponibilidad, y las integra con los mecanismos de actualización de los puntos de conexión, tales como los mecanismos de reversión automática, para ayudarle a anticiparse en la identificación de los problemas de forma automática y tomar las correspondientes medidas correctivas antes de que impacte significativamente en la producción.
Reentrene los modelos de forma continua para mantener la calidad de la predicción
Una vez que el modelo se encuentra en producción, debe supervisar el rendimiento mediante la configuración de alertas para que el científico de datos de turno pueda solucionar el problema y activar el reentrenamiento. Monitor de modelos de Amazon SageMaker le ayuda a mantener la calidad mediante la detección de la desviación de modelo y de concepto en tiempo real y el envío de alertas para que tome medidas cuanto antes. Monitor de modelos de SageMaker supervisa de manera constante las características de rendimiento del modelo, tales como la precisión que mide el número de predicciones correctas en comparación con el número total de predicciones, de modo que pueda tomar medidas para solucionar anomalías. Monitor de modelos de Amazon SageMaker está integrado con SageMaker Clarify para mejorar la visibilidad de sesgos potenciales.
Optimice el despliegue de modelos para rendimiento y coste
Amazon SageMaker facilita el despliegue de modelos de ML para inferencia con alto rendimiento y bajo coste para cualquier caso de uso. Proporciona una amplia selección de infraestructura de ML y opciones de despliegue de modelo para satisfacer todas las necesidades de inferencia de ML.
Historias de éxito de los clientes
NatWest Group, una importante empresa de servicios financieros, estandarizó su modelo de desarrollo de ML y el proceso de despliegue en toda la organización, lo que redujo el ciclo de respuesta y permitió crear nuevos entornos de ML en 2 días en lugar de 40 días, así como reducir el tiempo de evaluación de los casos de uso de ML de 40 a 16 semanas.
«En lugar de crear muchos procesos manuales, podemos automatizar la mayor parte del proceso de desarrollo de ML simplemente dentro de Amazon SageMaker Studio».
Cherry Cabading, arquitecta empresarial sénior global, AstraZeneca
Con los servicios de AWS, incluido Amazon SageMaker, Janssen implementó un proceso automatizado de MLOps que mejoró la precisión de las predicciones del modelo un 21 % e incrementó la velocidad de la ingeniería de características aproximadamente un 700 %, lo que ayudó a Janssen a reducir los costes al tiempo que incrementaron la eficiencia.
«Amazon SageMaker mejora la eficiencia de los equipos de MLOps con las herramientas necesarias para probar y desplegar modelos de machine learning a escala.»
Samir Joshi, ingeniero de ML, Qualtrics
Recursos
MLOps foundation roadmap for enterprises (Hoja de ruta de base de MLOps para empresas)
SageMaker Friday episode: Automate ML workflows (Episodio del viernes de SageMaker: automatizar flujos de trabajo de ML)
Detect NLP data drift using SageMaker Model Monitor (Detecte desfase de datos NLP con Monitor de modelos de SageMaker)
Build MLOps workflows with SageMaker Projects and GitLab pipelines (Cree flujos de trabajo de MLOps con canalizaciones de GitLab y SageMaker Projects)
Vea esta demostración para aprender a automatizar MLOps con SageMaker Projects.
Siga este tutorial de paso a paso para automatizar un flujo de trabajo de ML
Comience a crear con SageMaker en la consola de administración de AWS.
Novedades
- Fecha (de más reciente a más antigua)