Publicado: Nov 28, 2018
Agora, o Amazon SageMaker oferece suporte a novos recursos para melhor orquestração, experimentação e colaboração em fluxos de trabalho de Machine Learning (ML). O AWS Step Functions já está integrado ao Amazon SageMaker e ao AWS Glue, o que facilita as atividades de criação, implantação, monitoramento e iteração de fluxos de trabalho de ML. Usando o AWS Step Functions, você pode automatizar os fluxos de trabalho de ML conectando várias tarefas do Amazon SageMaker em alguns minutos, com menos código. Agora, temos um novo recurso para ajudar a organizar, rastrear e avaliar experimentos de treinamento de ML com o Amazon SageMaker Search, disponível na versão beta a partir de hoje. Por fim, agora é possível associar o GitHub, o AWS CodeCommit e qualquer repositório Git autohospedado a instâncias de bloco de anotações do Amazon SageMaker para colaborar e garantir o controle de versão com blocos de anotações Jupyter de forma fácil e segura. Acesse a documentação do AWS Step Functions para obter mais detalhes.
Normalmente, a automação de fluxos de trabalho de ML envolve a criação e a manutenção de código para definir a lógica do fluxo de trabalho, monitorar a conclusão de cada tarefa e abordar quaisquer erros. Os modelos de ML precisam ser gerenciados para conjuntos de dados grandes antes de implantá-los em ambientes de produção. É preciso realizar uma nova implantação sempre que um modelo é alterado e várias equipes são necessárias para garantir que o modelo execute da forma esperada. O processo inteiro é complexo e pode retardar a entrega de aplicativos. Com a integração do AWS Step Functions e do Amazon SageMaker, você pode automatizar a publicação de conjuntos de dados grandes e diversificados em um data lake do Amazon S3, treinar modelos de ML e implantar esses modelos em produção. O AWS Step Functions pode sequenciar e executar tarefas em paralelo e fazer automaticamente novas tentativas de execução de tarefas com falha. A integração inclui processamento de erros , passagem de parâmetros e gerenciamento de estado incorporados. Isso permite a aceleração da entrega de aplicativos de ML seguros e resilientes e, ao mesmo tempo, reduz a quantidade de código a ser criado e mantido.
O desenvolvimento de um modelo de ML bem-sucedido exige experimentação contínua e testes com novos algoritmos e hiperparâmetros, observando sempre qualquer impacto na performance e na precisão. Isso dificulta o rastreamento da combinação única de conjuntos de dados, algoritmos e parâmetros para alcançar o melhor modelo. Agora, você pode organizar, rastrear e avaliar seus experimentos de treinamento de modelos de Machine Learning com o Amazon SageMaker Search. O SageMaker Search ajuda você a encontrar e avaliar rapidamente as execuções de treinamento de modelos mais relevantes entre os possíveis milhares dessas execuções, diretamente do Console de Gerenciamento da AWS e usando o AWS SDK for Amazon SageMaker. O Search está disponível na versão beta nas 13 regiões da AWS onde o Amazon SageMaker é oferecido no momento. Leia o blog aqui para obter mais informações.
Muitas vezes, é necessário compartilhar ideias, tarefas e colaborar para avançar no Machine Learning. O padrão de fato para a colaboração com o desenvolvimento de software tradicional é o controle de versão, que também tem uma função importante no Machine Learning. Agora, é possível associar o GitHub, o AWS CodeCommit e qualquer repositório Git autohospedado a instâncias de bloco de anotações do Amazon SageMaker para colaborar e garantir o controle de versão com blocos de anotações Jupyter de forma fácil e segura. Usando repositórios Git com blocos de anotações Jupyter, é fácil criar projetos em conjunto, rastrear alterações de código e combinar práticas de engenharia de software e ciência de dados para obter um gerenciamento de código pronto para produção. Você pode facilmente descobrir, executar e compartilhar técnicas de Machine Learning e aprendizado profundo, fornecidas em blocos de anotações Jupyter e hospedadas no GitHub. Leia o blog aqui para obter mais informações.
Normalmente, a automação de fluxos de trabalho de ML envolve a criação e a manutenção de código para definir a lógica do fluxo de trabalho, monitorar a conclusão de cada tarefa e abordar quaisquer erros. Os modelos de ML precisam ser gerenciados para conjuntos de dados grandes antes de implantá-los em ambientes de produção. É preciso realizar uma nova implantação sempre que um modelo é alterado e várias equipes são necessárias para garantir que o modelo execute da forma esperada. O processo inteiro é complexo e pode retardar a entrega de aplicativos. Com a integração do AWS Step Functions e do Amazon SageMaker, você pode automatizar a publicação de conjuntos de dados grandes e diversificados em um data lake do Amazon S3, treinar modelos de ML e implantar esses modelos em produção. O AWS Step Functions pode sequenciar e executar tarefas em paralelo e fazer automaticamente novas tentativas de execução de tarefas com falha. A integração inclui processamento de erros , passagem de parâmetros e gerenciamento de estado incorporados. Isso permite a aceleração da entrega de aplicativos de ML seguros e resilientes e, ao mesmo tempo, reduz a quantidade de código a ser criado e mantido.
O desenvolvimento de um modelo de ML bem-sucedido exige experimentação contínua e testes com novos algoritmos e hiperparâmetros, observando sempre qualquer impacto na performance e na precisão. Isso dificulta o rastreamento da combinação única de conjuntos de dados, algoritmos e parâmetros para alcançar o melhor modelo. Agora, você pode organizar, rastrear e avaliar seus experimentos de treinamento de modelos de Machine Learning com o Amazon SageMaker Search. O SageMaker Search ajuda você a encontrar e avaliar rapidamente as execuções de treinamento de modelos mais relevantes entre os possíveis milhares dessas execuções, diretamente do Console de Gerenciamento da AWS e usando o AWS SDK for Amazon SageMaker. O Search está disponível na versão beta nas 13 regiões da AWS onde o Amazon SageMaker é oferecido no momento. Leia o blog aqui para obter mais informações.
Muitas vezes, é necessário compartilhar ideias, tarefas e colaborar para avançar no Machine Learning. O padrão de fato para a colaboração com o desenvolvimento de software tradicional é o controle de versão, que também tem uma função importante no Machine Learning. Agora, é possível associar o GitHub, o AWS CodeCommit e qualquer repositório Git autohospedado a instâncias de bloco de anotações do Amazon SageMaker para colaborar e garantir o controle de versão com blocos de anotações Jupyter de forma fácil e segura. Usando repositórios Git com blocos de anotações Jupyter, é fácil criar projetos em conjunto, rastrear alterações de código e combinar práticas de engenharia de software e ciência de dados para obter um gerenciamento de código pronto para produção. Você pode facilmente descobrir, executar e compartilhar técnicas de Machine Learning e aprendizado profundo, fornecidas em blocos de anotações Jupyter e hospedadas no GitHub. Leia o blog aqui para obter mais informações.
Normalmente, a automação de fluxos de trabalho de ML envolve a criação e a manutenção de código para definir a lógica do fluxo de trabalho, monitorar a conclusão de cada tarefa e abordar quaisquer erros. Os modelos de ML precisam ser gerenciados para conjuntos de dados grandes antes de implantá-los em ambientes de produção. É preciso realizar uma nova implantação sempre que um modelo é alterado e várias equipes são necessárias para garantir que o modelo execute da forma esperada. O processo inteiro é complexo e pode retardar a entrega de aplicativos. Com a integração do AWS Step Functions e do Amazon SageMaker, você pode automatizar a publicação de conjuntos de dados grandes e diversificados em um data lake do Amazon S3, treinar modelos de ML e implantar esses modelos em produção. O AWS Step Functions pode sequenciar e executar tarefas em paralelo e fazer automaticamente novas tentativas de execução de tarefas com falha. A integração inclui processamento de erros , passagem de parâmetros e gerenciamento de estado incorporados. Isso permite a aceleração da entrega de aplicativos de ML seguros e resilientes e, ao mesmo tempo, reduz a quantidade de código a ser criado e mantido.
O desenvolvimento de um modelo de ML bem-sucedido exige experimentação contínua e testes com novos algoritmos e hiperparâmetros, observando sempre qualquer impacto na performance e na precisão. Isso dificulta o rastreamento da combinação única de conjuntos de dados, algoritmos e parâmetros para alcançar o melhor modelo. Agora, você pode organizar, rastrear e avaliar seus experimentos de treinamento de modelos de Machine Learning com o Amazon SageMaker Search. O SageMaker Search ajuda você a encontrar e avaliar rapidamente as execuções de treinamento de modelos mais relevantes entre os possíveis milhares dessas execuções, diretamente do Console de Gerenciamento da AWS e usando o AWS SDK for Amazon SageMaker. O Search está disponível na versão beta nas 13 regiões da AWS onde o Amazon SageMaker é oferecido no momento. Leia o blog aqui para obter mais informações.
Muitas vezes, é necessário compartilhar ideias, tarefas e colaborar para avançar no Machine Learning. O padrão de fato para a colaboração com o desenvolvimento de software tradicional é o controle de versão, que também tem uma função importante no Machine Learning. Agora, é possível associar o GitHub, o AWS CodeCommit e qualquer repositório Git autohospedado a instâncias de bloco de anotações do Amazon SageMaker para colaborar e garantir o controle de versão com blocos de anotações Jupyter de forma fácil e segura. Usando repositórios Git com blocos de anotações Jupyter, é fácil criar projetos em conjunto, rastrear alterações de código e combinar práticas de engenharia de software e ciência de dados para obter um gerenciamento de código pronto para produção. Você pode facilmente descobrir, executar e compartilhar técnicas de Machine Learning e aprendizado profundo, fornecidas em blocos de anotações Jupyter e hospedadas no GitHub. Leia o blog aqui para obter mais informações.