Publicado: Dec 8, 2020
Temos o prazer de anunciar o Amazon SageMaker Feature Store, novo recurso do Amazon SageMaker para consumir, armazenar, compartilhar, reutilizar e servir recursos para aplicações de machine learning (ML) em tempo real e em lote.
Em machine learning, os recursos são sinais de dados dos quais os modelos de ML dependem para fazer previsões precisas. Durante o treinamento, os recursos são armazenados em lotes para treinar múltiplas variações. Os mesmos recursos precisam estar disponíveis em tempo real durante a inferência para previsões precisas. É desafiador manter a consistência entre treinamento e inferência, podendo levar a previsões imprecisas ou precisar de codificação adicional.
O Amazon SageMaker Feature Store é um repositório totalmente gerenciado que ajuda a manter a consistência entre os recursos usados na ocasião da inferência e do treinamento do modelo para que seja possível a implantação confiável de modelos em produção com um comportamento mais previsível, permitindo a operação de modelos de ML em escala. O Amazon SageMaker Feature Store possibilita o gerenciamento de metadados e a descoberta de recursos com marcação e pesquisa fáceis para que as equipes de ciência de dados possam simplesmente reutilizar um recurso existente em vez de ter de reescrever e processar recursos para cada novo modelo. Para previsões em tempo real, os recursos podem ser servidos com uma baixa latência de milissegundos ou extraídos da loja de recursos para treinamento de modelos ou casos de uso de previsão em lote. O Amazon SageMaker Feature Store gerencia registros históricos de dados de recursos para que os recursos possam facilmente ser reproduzidos em um momento específico. Com o Amazon SageMaker Feature Store, é possível acelerar o machine learning, aumentar a produtividade e a escala de milhares de modelos.
O Amazon SageMaker Feature Store agora está disponível em todas as regiões da AWS nas Américas e na Europa e em algumas regiões da Ásia-Pacífico. Novas regiões serão incluídas em breve. Os detalhes das regiões específicas podem ser encontrados aqui. Consulte a documentação para obter mais informações e para os blocos de anotações de amostra. Para saber como usar o recurso, acesse a publicação do blog.