Atributos do Amazon SageMaker Canvas

Crie modelos de ML altamente precisos usando uma interface visual, sem necessidade de código

Desenvolvimento de ML orientado por chat com o Amazon Q Developer

O Amazon Q Developer ajuda a preencher a lacuna entre os desafios de negócios e os modelos de ML. Ele traduz habilmente os problemas de negócios em fluxos de trabalho de ML passo a passo e explica os termos de ML usando uma linguagem não técnica.

O Amazon Q Developer orienta habilmente os usuários em cada etapa do desenvolvimento do modelo, desde a preparação dos dados até a criação, o treinamento e a implantação de modelos de ML. Usando uma interface de chat, o Amazon Q Developer fornece assistência contextual e ajuda os usuários a navegar pelo fluxo de trabalho de ML de ponta a ponta para criar modelos de ML prontos para produção.

O construtor de pipeline determinístico e as técnicas avançadas de AutoML do Amazon Q Developer oferecem suporte à reprodutibilidade e à precisão na criação de modelos. Ao capacitar os usuários com recursos avançados de ciência de dados, o Q Developer permite uma rápida experimentação, mantendo a confiança na utilidade do modelo.

O Amazon Q Developer mantém artefatos como conjuntos de dados originais e transformados, bem como os pipelines de preparação de dados criados usando linguagem natural. Além disso, os modelos criados usando o Q Developer podem ser registrados no SageMaker Model Registry, e os modelos de notebooks podem ser exportados para maior personalização e integração.

Preparar dados

O SageMaker Canvas se conecta a mais de 50 fontes de dados. Você também pode fazer upload de arquivos locais para treinar os modelo de ML. Ele tem suporte a dados tabulares, de imagem ou de texto. Você também pode gravar consultas para acessar fontes de dados usando SQL e importar dados diretamente de vários formatos de arquivos, como CSV, Parquet, ORC e JSON, e tabelas de banco de dados.
Por meio da interface sem código do SageMaker Canvas, você pode explorar, visualizar e analisar dados usando visualizações integradas ou personalizadas. Com um único clique, você pode gerar o relatório Data Quality and Insight para verificar a qualidade dos dados, como garantir que o conjunto de dados não contenha valores ausentes ou linhas duplicadas, além de detectar anomalias, como valores discrepantes, desequilíbrio de classes e vazamento de dados.
O SageMaker Canvas oferece uma seleção de mais de 300 transformações de dados predefinidas baseadas no PySpark, para que você possa transformar os dados sem escrever uma única linha de código. Também é possível usar a interface de chat baseada no modelo de base para preparar os dados.
O SageMaker Canvas facilita iniciar ou programar um fluxo de trabalho de preparação de dados para processar rapidamente os dados e escalar a preparação em conjuntos de dados, exportá-los para um caderno do SageMaker Studio ou integrá-los ao SageMaker Pipelines.

Acesse e crie modelos de ML

Por meio da interface sem código do SageMaker Canvas, você pode criar automaticamente modelos de ML personalizados usando os dados da empresa. Depois de selecionar e preparar os dados e identificar o que você deseja prever, o SageMaker Canvas identifica o tipo de problema, testa centenas de modelos de ML com base no tipo de problema (usando técnicas de ML, como regressão linear, regressão logística, aprendizado profundo, previsão de séries temporais e aumento de gradiente) e cria um modelo personalizado que torna as previsões mais precisas com base no conjunto de dados. Como alternativa, você pode trazer seu próprio modelo criado anteriormente para o SageMaker Canvas e implantá-lo para inferência.

O SageMaker Canvas fornece acesso a modelos tabulares, de PLN e de CV prontos para uso para casos de uso, incluindo análise de sentimentos, detecção de objetos em imagens, detecção de texto em imagens e extração de entidades. Os modelos prontos para uso são fornecidos pelos serviços de IA da AWS, incluindo Amazon Rekognition, Amazon Textract e Amazon Comprehend.

Depois de criar um modelo, você pode avaliar a performance dele usando dados da empresa antes de implantá-lo na produção. Você pode comparar facilmente as respostas do modelo e selecionar a melhor resposta de acordo com as necessidades.

O SageMaker Canvas fornece acesso a um modelo de base (FMs) pronto para uso para geração de conteúdo, extração de texto e resumo de texto. É possível acessar FMs prontos para uso, como Claude 2, Llama-2, Amazon Titan, Jurassic-2 e Command (desenvolvido com Amazon Bedrock), bem como FMs disponíveis publicamente, como Falcon, Flan-T5, Mistral, Dolly e MPT (desenvolvido com SageMaker JumpStart) e ajustá-los usando seus próprios dados.

Gere previsões de ML

O SageMaker Canvas oferece uma análise visual de hipóteses para que você possa alterar as entradas do modelo e depois entender como as mudanças afetam as previsões individuais. Você pode criar previsões em lote automatizadas para um conjunto de dados inteiro e, quando o conjunto de dados é atualizado, seu modelo de ML é atualizado automaticamente. Depois que o modelo de ML for atualizado, você poderá revisar as previsões atualizadas na interface sem código do SageMaker Canvas.

Você pode implantar um modelo do SageMaker Canvas nos endpoints do SageMaker para inferência em tempo real.

Compartilhe previsões de modelos com o Amazon QuickSight para criar painéis que combinam inteligência comercial tradicional e dados preditivos no mesmo visual interativo. Além disso, os modelos do SageMaker Canvas podem ser compartilhados e integrados diretamente no QuickSight, permitindo que os analistas gerem previsões altamente precisas para novos dados em um painel do QuickSight.

Aproveite as MLOPs

Você pode registrar modelos de ML criados no SageMaker Canvas no SageMaker Model Registry com um único clique para integrar o modelo aos processos de CI/CD de implantação de modelos existentes.

Você pode compartilhar seus modelos do SageMaker Canvas com cientistas de dados que usam o SageMaker Studio. Depois, os cientistas de dados podem revisar, atualizar e compartilhar modelos atualizados com você ou implantar seu modelo para inferência.