Amazon SageMaker Studio

El entorno de desarrollo completamente integrado (IDE) para machine learning

Realice todos los pasos de desarrollo de ML, desde la preparación de datos sin procesar hasta la implementación y supervisión de modelos de ML, con acceso al conjunto de herramientas más completo en una única interfaz visual basada en la Web.

Avance con rapidez entre los pasos del ciclo de vida de ML para ajustar sus modelos. Vuelva a reproducir experimentos de entrenamiento, ajuste las características del modelo y otras entradas, y compare los resultados, todo sin salir de SageMaker Studio.

Cree modelos de ML en minutos con acceso a más de 150 modelos populares de código abierto y más de 15 soluciones prediseñadas. Cree modelos de ML con sus propios datos en solo unos pocos clics.

Amazon SageMaker Studio es un entorno de desarrollo integrado (IDE) que proporciona una única interfaz visual basada en la Web en la que puede acceder a herramientas especialmente diseñadas para realizar todos los pasos de desarrollo de machine learning (ML), desde la preparación de datos hasta la creación, el entrenamiento y la implementación de sus modelos de ML, lo que mejora la productividad del equipo de ciencia de datos hasta 10 veces. Puede cargar datos con rapidez, crear cuadernos nuevos, entrenar y ajustar modelos, avanzar y retroceder entre los pasos para ajustar los experimentos, colaborar sin problemas dentro de su organización e implementar modelos en producción sin salir de SageMaker Studio.

Amazon SageMaker (1:38)

Funcionamiento

Cómo funciona Amazon SageMaker Studio

Características clave

Preparación de datos

Prepare datos con unos pocos clics mediante el uso de poco o ningún código

Conéctese a más de 40 orígenes de datos de AWS y de terceros, importe datos, verifique la calidad de los datos, diseñe características de modelos con más de 300 transformaciones de datos integradas y guárdelas en el Almacén de características de SageMaker con unos pocos clics mediante SageMaker Data Wrangler. Puede crear o programar trabajos de Data Wrangler para procesar datos a escala y automatizar los pasos de preparación de datos en el flujo de trabajo de ML mediante SageMaker Pipelines.

Prepare datos con los cuadernos de SageMaker Studio

Simplifique sus flujos de trabajo de datos con un entorno de cuadernos unificado para ingeniería de datos, análisis y ML. Cree, explore y conéctese a clústeres de Amazon EMR y sesiones interactivas de AWS Glue directamente desde los cuadernos de Studio. Supervise y depure trabajos de Spark con herramientas conocidas, como la interfaz de usuario de Spark, directamente desde los cuadernos. Utilice la capacidad de preparación de datos integrada con tecnología de SageMaker Data Wrangler directamente desde los cuadernos de Studio para visualizar datos, identificar problemas de calidad de datos y aplicar soluciones recomendadas a fin de mejorar la calidad de los datos y la precisión del modelo sin escribir una sola línea de código.

Procesamiento de datos en unos pocos clics

Conéctese a almacenes de datos, active los recursos para ejecutar su trabajo de procesamiento de datos, guarde el resultado en un almacenamiento persistente y proporcione registros y métricas mediante el Procesamiento de SageMaker.

Una almacén de características central

Almacene, comparta y administre las características del modelo de ML para el entrenamiento y la inferencia a fin de promover la reutilización de características en aplicaciones de ML mediante el Almacén de características de SageMaker, un repositorio completamente administrado y personalizado, en SageMaker Studio. De esta manera, obtiene las mismas características de forma constante tanto durante el entrenamiento como durante la inferencia, lo que le ahorra meses de esfuerzo de desarrollo.

Creación

Cuadernos de SageMaker Studio de inicio rápido

Acceda a los cuadernos de Jupyter completamente administrados en SageMaker Studio con un solo clic. Los cuadernos de SageMaker Studio vienen preconfigurados con entornos de aprendizaje profundo para TensorFlow y PyTorch (optimizados para AWS) de manera que sea posible comenzar a crear modelos con rapidez. Puede aumentar o disminuir los recursos informáticos subyacentes sin interrumpir su trabajo.

Colaboración optimizada en los cuadernos

Edite de forma conjunta el mismo archivo de cuaderno, ejecute el código del cuaderno en simultáneo y revise los resultados en grupo para agilizar la colaboración. Todos los recursos se etiquetan de forma automática, lo que facilita el control del costo y el uso de SageMaker Studio.

Algoritmos integrados

Utilice más de 15 algoritmos integrados disponibles en imágenes de contenedores prediseñadas para entrenar y ejecutar inferencias rápidamente, o traiga sus propias imágenes personalizadas a SageMaker Studio.

AutoML

Cree, entrene y ajuste de forma automática los mejores modelos de ML en función de sus datos, mientras mantiene el control y la visibilidad totales con el Piloto automático de SageMaker. Luego implemente modelos directamente en producción con solo un clic. También puede generar de forma automática un cuaderno de SageMaker Studio para cualquier modelo que cree el Piloto automático de SageMaker y sumergirse en los detalles de cómo se creó, refinarlo como lo desee y recrearlo a partir del cuaderno.

Soluciones prediseñadas y modelos de código abierto

Comience a utilizar rápidamente ML gracias a cientos de soluciones prediseñadas que se pueden implementar con tan solo unos pocos clics mediante SageMaker JumpStart.

Entrenamiento

Entrenamiento distribuido

Configure un clúster de computación distribuida, realice el entrenamiento, envíe los resultados a Amazon Simple Storage Service (S3) y elimine el clúster con un solo clic. Entrene modelos a escala con el uso de las bibliotecas de datos y modelos paralelos de SageMaker, y acelere el proceso de entrenamiento hasta en un 50 % a través de optimizaciones a nivel de núcleo y gráfico mediante el Compilador de entrenamiento de SageMaker. Puede reducir los costos hasta en un 90 % mediante el entrenamiento de instancias de spot administradas.

Administración y seguimiento de experimentos

Realice un seguimiento de las iteraciones de los modelos de ML mediante la captura de los parámetros de entrada, las configuraciones y los resultados, que puede almacenar como experimentos con Experimentos de SageMaker. Puede explorar experimentos activos, buscar y revisar experimentos anteriores y comparar resultados entre experimentos.

Ajuste automático de modelos

Ajuste automáticamente su modelo mediante la adecuación de miles de combinaciones de parámetros de algoritmos para lograr las predicciones más precisas que el modelo es capaz de generar y ahorre semanas de esfuerzo.

Ejecuciones de depuración y entrenamiento de perfiles

Registre trabajos de entrenamiento de perfiles y métricas en tiempo real para que pueda corregir los problemas de rendimiento rápidamente antes de que el modelo se implemente en producción con el Depurador de SageMaker.

 

Despliegue y administración

Despliegue más sencillo

Implemente su modelo entrenado en producción con un solo clic. Acceda al despliegue de modelos de SageMaker dentro de SageMaker Studio para atender todas sus necesidades de inferencia, desde baja latencia (unos pocos milisegundos) y alto rendimiento (cientos de miles de solicitudes por segundo) hasta inferencia de ejecución prolongada para casos de uso como procesamiento de lenguaje natural y visión artificial.

Puntos de conexión de varios modelos

Implemente miles de modelos en un solo punto de conexión mediante los puntos de conexión de varios modelos y los puntos de conexión de varios contenedores de SageMaker, lo que mejora la rentabilidad y proporciona la flexibilidad para usar modelos con la frecuencia que los necesite.

Realice un seguimiento y administre las versiones del modelo de forma centralizada

Realice un seguimiento de las versiones del modelo, sus metadatos y el rendimiento con el registro de modelos de SageMaker, lo que facilita la elección del modelo adecuado para el despliegue en función de los requisitos de su empresa. Además, puede registrar automáticamente flujos de trabajo de aprobación para fines de auditoría y cumplimiento.

Entregue rápidamente nuevos modelos para aplicaciones de producción

Combine las prácticas de integración y entrega continuas (CI/CD) y el ML con los proyectos de SageMaker, como mantener la paridad entre los entornos de desarrollo y producción, el control de versiones y orígenes, las pruebas A/B y la automatización.

Supervisión de modelos continua

Mantenga la calidad al detectar las desviaciones del modelo y del concepto en tiempo real con el Monitor de modelos de SageMaker dentro de SageMaker Studio. Todos los modelos entrenados en SageMaker emiten automáticamente métricas clave que pueden recopilarse y visualizarse en SageMaker Studio.

Conversión automática de código de cuaderno para trabajos listos para producción

Una vez que se selecciona un cuaderno, el cuaderno de Amazon SageMaker Studio toma una instantánea de todo el cuaderno, empaqueta sus dependencias en un contenedor, crea la infraestructura, ejecuta el cuaderno como un trabajo automatizado en un programa establecido por el profesional y desaprovisiona la infraestructura al finalizar el trabajo, lo que reduce el tiempo que se tarda en mover un cuaderno a producción de semanas a horas.

Automatice los flujos de trabajo de creación de modelos

Automatice todo el flujo de trabajo de creación de modelos, incluida la preparación de datos, la ingeniería de características, el entrenamiento de modelos, el ajuste de modelos y la validación de modelos con Canalizaciones de SageMaker. Puede configurar Canalizaciones de SageMaker para que se ejecuten automáticamente a intervalos regulares o cuando se produzcan ciertos eventos, o puede ejecutarlas de forma manual según sea necesario.

Detecte sesgos en los modelos de ML

Detecte y limite un posible sesgo durante la preparación de los datos, después del entrenamiento de modelos y en el modelo implementado mediante el análisis de los atributos que especifique con SageMaker Clarify. SageMaker Clarify también proporciona informes de explicación de modelos, para que las partes interesadas puedan ver cómo y por qué los modelos generan predicciones.

Clientes

AstraZeneca

Con SageMaker Studio, AstraZeneca pudo implementar rápidamente una solución para analizar grandes cantidades de datos, lo que aceleró la obtención de información y redujo la carga de trabajo manual de sus científicos de datos, algo crucial para la misión de AstraZeneca de descubrir y desarrollar medicamentos que cambian la vida de las personas en todo el mundo.

“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

Invista

INVISTA utilizó Experimentos de Amazon SageMaker dentro de Studio para el seguimiento de modelos. Con una interfaz sencilla para administrar experimentos, obtener un alcance más amplio de proyectos y agregar nuevos modelos, métricas y rendimiento de manera estructurada, INVISTA aceleró la obtención de valor de la ciencia de datos.

“Con Amazon SageMaker Studio, ahora podemos ubicar las tareas de ciencia de datos en el mismo lugar. Esto nos permite ahorrar tiempo en la administración de la infraestructura y los repositorios y nos ayuda a reducir el tiempo de implementación de algoritmos y proyectos analíticos en producción”.

Tanner Gonzalez, líder de análisis y de la nube, INVISTA

SyntheticGestalt

Con Experimentos de SageMaker Studio, SyntheticGestalt puede determinar la mejor configuración de un experimento dos veces más rápido, lo que en última instancia acelera la capacidad de producir moléculas candidatas que cambian la vida.

“SageMaker ayuda a nuestros investigadores a comparar fácilmente miles de configuraciones de experimentos; ahora son capaces de hacer con un solo paso lo que antes consumía horas de su tiempo”.

Kotaro Kamiya, director de tecnología, SyntheticGestalt Ltd.

SyntheticGestalt
Con SageMaker JumpStart dentro de Studio, MyCase lanzó soluciones integrales con un solo clic y accedió a una colección de cuadernos que lo ayudó a comprender de manera más profunda a los clientes y utilizar predicciones a fin de satisfacer mejor sus necesidades.
“Gracias a SageMaker JumpStart, podemos implementar una solución de machine learning para nuestros propios casos de uso en cuatro a seis semanas en lugar de tres a cuatro meses”.
 
Gus Nguyen, ingeniero de software, MyCase

Recursos

seminario web

Incorpórese rápidamente a SageMaker Studio

seminario web

Análisis técnico profundo de SageMaker Studio

seminario web

Uso de Apache Spark en Amazon EMR con SageMaker

Novedades

Manténgase actualizado con los anuncios de SageMaker Studio

BLOG

Serie de blogs de SageMaker Studio

taller

Escale la preparación de datos con los cuadernos de Amazon SageMaker Studio

taller

Cree modelos de ML con los cuadernos de Amazon SageMaker Studio

documento técnico

Prácticas recomendadas de administración para SageMaker Studio

Vea un tutorial para empezar a utilizar el servicio

Siga este tutorial paso a paso para crear y entrenar un modelo de machine learning (ML) de forma local dentro de Amazon SageMaker Studio.

Más información 
Tutorial de introducción a Amazon Pinpoint
Pruebe un laboratorio autoguiado

En este tutorial práctico, aprenderá a utilizar Amazon SageMaker para crear, entrenar e implementar un modelo de ML.

Más información 
Comience a crear en la consola

Comience a crear con Amazon SageMaker en la consola de administración de AWS.

Iniciar sesión