Publicado: Nov 29, 2023
Temos o prazer de anunciar novas ferramentas e melhorias que permitem aos clientes reduzir de dias para horas o tempo de implantação de modelos de machine learning (ML), incluindo modelos de base (FMs) no Amazon SageMaker for Inference em grande escala. Isso inclui uma nova biblioteca do SDK do Python que simplifica o processo de empacotamento e implantação de um modelo de ML no SageMaker, reduzindo o número de etapas de sete para uma, com a opção de fazer inferência local. Além disso, o Amazon SageMaker oferece novas experiências interativas de interface de usuário no Amazon SageMaker Studio que ajudarão os clientes a implantar rapidamente modelos de ML treinados ou FMs usando configurações de alta performance e baixo custo com apenas três cliques.
Com a nova biblioteca Amazon SageMaker Python SDK, os clientes podem converter facilmente qualquer artefato de modelo de estrutura ou FM pública em um modelo de ML implantável com apenas uma única chamada de função. Além disso, os clientes podem validar, otimizar e implantar localmente modelos de ML no Amazon SageMaker em poucos minutos a partir de IDEs ou notebooks locais. Com as novas experiências interativas no SageMaker Studio, os clientes podem criar facilmente um modelo de ML implantável selecionando uma versão de estrutura de sua escolha e fazendo o upload de artefatos de modelo pré-treinados. Outros clientes podem selecionar um ou mais modelos de ML ou FMs implantáveis e implantá-los com apenas alguns cliques.
Para obter mais informações sobre todas as regiões da AWS em que o Amazon SageMaker Inference está disponível, consulte a tabela de regiões da AWS.
Para saber mais, acesse a documentação da interface python do Amazon SageMaker ModelBuilder e os fluxos de trabalho de implantação guiada no Studio.