Publicado: Jun 2, 2022
O Amazon SageMaker JumpStart agora oferece suporte ao ajuste de modelos com o Sagemaker Automatic Model Tuning a partir do seu modelo pré-treinado, modelos de solução pré-criados e notebooks de exemplo. Isso significa que os clientes podem ajustar automaticamente seus modelos de machine learning para encontrar os valores de hiperparâmetros com a maior precisão dentro da faixa que os clientes fornecem por meio da API do SageMaker.
O SageMaker JumpStart permite que os clientes ajustem e implantem uma ampla variedade de modelos pré-treinados em tarefas populares de ML, bem como uma seleção de soluções completas que resolvem problemas comerciais comuns. Esses recursos eliminam o trabalho pesado de cada etapa do processo de ML, facilitando o desenvolvimento de modelos de alta qualidade e reduzindo o tempo de implantação. Os clientes podem acessar o JumpStart por meio de APIs no notebook e interface do usuário no SageMaker Studio com apenas alguns cliques.
Por meio da integração com o SageMaker Automatic Model Tuning, os notebooks de exemplo da API JumpStart agora incluem uma etapa para encontrar a melhor versão do modelo executando trabalhos de treinamento no conjunto de dados fornecido com várias configurações de hiperparâmetros. Isso reduz o tempo para ajustar modelos pesquisando automaticamente a melhor configuração de hiperparâmetro dentro dos intervalos de hiperparâmetros padrão ou nos intervalos especificados.
Para saber mais sobre o SageMaker Automated Model Tuning, consulte a documentação. Para começar a usar o SageMaker JumpStart, confira a página de introdução e o blog de lançamento da API.