Publicado: Oct 18, 2022
O Amazon SageMaker Canvas anuncia o suporte ao Quick build para modelos de previsões de séries temporais, agilizando a criação de protótipos e experimentos para selecionar o modelo de machine learning (ML) de melhor performance. O SageMaker Canvas é uma interface visual de apontar e clicar que permite que os analistas de negócios gerem suas próprias previsões precisas de machine learning (ML), sem precisar ter experiência de machine learning e sem ter que escrever nenhuma linha de código.
O SageMaker Canvas permite treinar modelos de ML usando dois métodos diferentes: 1) Quick build, que produz um modelo treinado em menos de 20 minutos, priorizando velocidade em vez de precisão, e 2) Standard build, que produz um modelo treinado em menos de 4 horas, priorizando precisão em vez de latência e percorrendo o ciclo completo de ML, incluindo pré-processamento, engenharia de recursos e exploração do espaço de hiperparâmetros para selecionar o melhor modelo. Anteriormente, os modelos de ML para casos de uso de previsão de séries temporais no Canvas ofereciam suporte apenas aos modelos com Standard build. A partir de hoje, você também pode usar modelos com Quick build para acelerar experimentos, geração de previsões e validação de hipóteses com dados de previsão de séries temporais.
No momento, os métodos Quick build e Standard build são aceitos em todos os casos de uso que têm o suporte do Amazon SageMaker Canvas em todas as regiões da AWS em que o SageMaker Canvas é oferecido. Para saber mais e começar a usar, consulte a publicação de lançamento no blog e a documentação do Amazon SageMaker Canvas.