Publicado: Jul 25, 2023
Agora, o Amazon SageMaker Canvas oferece suporte à capacidade de fornecer um local de saída personalizado no Amazon S3 para artefatos de machine learning (ML), como modelos treinados, relatórios de explicabilidade e resultados de previsão, permitindo que você organize e estruture o diretório de saída de uma forma alinhada às suas necessidades e preferências específicas. O SageMaker Canvas é uma interface visual que permite que analistas de negócios e cientistas de dados de cidadãos gerem suas próprias previsões precisas de ML, sem precisar de especialização em ML e sem escrever nenhuma linha de código.
Ao especificar um local de saída personalizado na Amazon, você tem controle sobre onde os artefatos de ML são armazenados. Você pode criar diretórios separados para usuários diferentes ou seguir as convenções da sua organização. Além disso, quando os artefatos de ML são armazenados em um local de saída personalizado, é fácil acessá-los e compartilhá-los com outras pessoas. Você pode fornecer acesso direto ao local especificado, compartilhar o caminho com colegas ou colaboradores ou até mesmo automatizar o processo de distribuição ou implantação dos artefatos em locais ou plataformas específicos. Até agora, o SageMaker Canvas criava um local de saída do S3 que não podia ser alterado. A partir de hoje, você pode especificar seu próprio local personalizado do S3 enquanto configura um domínio ou perfil de usuário do SageMaker e se beneficiar com o controle, estrutura e eficiência no gerenciamento de resultados de experimentos de ML.
Esse recurso já está disponível em todas as regiões da AWS nas quais o SageMaker Canvas é oferecido. Para saber mais, consulte a documentação de produto do SageMaker Canvas.