Amazon SageMaker

Machine learning para todos os desenvolvedores e cientistas de dados

O Amazon SageMaker é um serviço totalmente gerenciado que fornece a todos os desenvolvedores e cientistas de dados a capacidade de criar, treinar e implantar modelos de machine learning (ML) rapidamente. O SageMaker remove o trabalho pesado de cada etapa do processo de machine learning para facilitar o desenvolvimento de modelos de alta qualidade.

O desenvolvimento tradicional de ML é um processo iterativo complexo, caro e ainda mais difícil, porque não existem ferramentas integradas para todo o fluxo de trabalho de machine learning. Você precisa unir ferramentas e fluxos de trabalho, o que consome tempo e é propenso a erros. O SageMaker resolve esse desafio fornecendo todos os componentes usados para o machine learning em um único conjunto de ferramentas, para que os modelos cheguem à produção mais rapidamente, com muito menos esforço e com menor custo.

Criar modelos de machine learning

SOMENTE NO AMAZON SAGEMAKER

Melhore a produtividade usando o Amazon SageMaker Studio, o primeiro ambiente de desenvolvimento totalmente integrado (IDE) para machine learning

O Amazon SageMaker Studio fornece uma interface visual única baseada na Web em que você pode executar todas as etapas de desenvolvimento de ML. O SageMaker Studio fornece acesso, controle e visibilidade completos em cada etapa necessária para criar, treinar e implantar modelos. Você pode fazer o upload rápido de dados, criar novos notebooks, treinar e ajustar modelos, alternar entre as etapas para ajustar experimentos, comparar resultados e implantar modelos na produção em um único local, tornando-se muito mais produtivo. Todas as atividades de desenvolvimento de ML, incluindo notebooks, gerenciamento de experimentos, criação automática de modelo, depuração e criação de perfil e detecção de desvio de modelo, podem ser executadas na interface visual unificada do SageMaker Studio.

SageMaker Studio
SageMaker Studio

Use um IDE para o desenvolvimento de ML. Por exemplo, faça atualizações nos modelos em um bloco de anotações e veja como as alterações afetam a qualidade do modelo usando uma visualização lado a lado do bloco de anotações e as experiências de treinamento.

Use um IDE para o desenvolvimento de ML. Por exemplo, faça atualizações nos modelos em um bloco de anotações e veja como as alterações afetam a qualidade do modelo usando uma visualização lado a lado do bloco de anotações e as experiências de treinamento.

 Clique para aumentar

SOMENTE NO AMAZON SAGEMAKER

Crie e colabore mais rapidamente usando os blocos de anotações do Amazon SageMaker

Gerenciar instâncias de computação para visualizar, executar ou compartilhar um bloco de anotações é entediante. Agora disponíveis na demonstração, os blocos de anotações do Amazon SageMaker fornecem blocos de anotações do Jupyter com um clique. Com eles, você pode começar a trabalhar em segundos. Os recursos de computação subjacentes são totalmente elásticos, portanto, você pode discar ou reduzir facilmente os recursos disponíveis e as alterações ocorrem automaticamente em segundo plano, sem interromper seu trabalho. O SageMaker também permite o compartilhamento de blocos de anotações com um clique. Todas as dependências de código são capturadas automaticamente, para que você possa colaborar facilmente com outras pessoas. Elas receberão exatamente o mesmo bloco de anotações, salvos no mesmo lugar.

Você pode escolher entre dezenas de blocos de anotações pré-criados no SageMaker para diferentes casos de uso. Você também pode obter centenas de algoritmos e modelos pré-treinados disponíveis no mercado AWS para começar a usar com mais facilidade.

Blocos de anotações
Blocos de anotações

Gere um link compartilhável sem rastrear dependências manualmente, para reproduzir o código do bloco de anotações.

Gere um link compartilhável sem rastrear dependências manualmente, para reproduzir o código do bloco de anotações.

 Clique para aumentar

SOMENTE NO AMAZON SAGEMAKER

Use o Amazon SageMaker Autopilot para criar, treinar e ajustar modelos automaticamente com total visibilidade e controle.

O Amazon SageMaker Autopilot é o primeiro recurso de machine learning automatizado do setor que oferece controle e visibilidade completos dos seus modelos de ML. As abordagens típicas do machine learning automatizado não fornecem insights sobre a lógica ou os dados usados na criação do modelo. Como resultado, mesmo que o modelo seja medíocre, não há como evoluí-lo. Além disso, você não tem flexibilidade para fazer trocas, como sacrificar alguma precisão para previsões de menor latência, já que as soluções automatizadas típicas de ML fornecem apenas um modelo para você escolher.

O SageMaker Autopilot inspeciona dados brutos, aplica processadores de recursos, escolhe o melhor conjunto de algoritmos, treina e ajusta vários modelos, monitora a performance deles e os classifica com base na performance, tudo de maneira automática e com apenas alguns cliques. O resultado é o modelo com melhor performance que você pode implantar em uma fração do tempo normalmente necessário para treinar o modelo. Você obtém total visibilidade de como o modelo foi criado e o que ele contém e o SageMaker Autopilot se integra ao Amazon SageMaker Studio. Você pode explorar até 50 modelos diferentes gerados pelo SageMaker Autopilot no SageMaker Studio, facilitando a escolha do melhor modelo para o seu caso de uso. O SageMaker Autopilot pode ser usado por pessoas sem experiência em machine learning para produzir um modelo facilmente. Pode ser usado também por desenvolvedores experientes para desenvolver um modelo de referência em que as equipes podem iterar ainda mais.

Saiba mais »

Autopilot
Autopilot

Crie modelos de machine learning automaticamente e escolha o que melhor se adequa ao seu caso de uso. Por exemplo, revise a tabela de classificação para ver a performance de cada opção e escolha o modelo que atenda aos requisitos de precisão e latência do seu modelo.

Crie modelos de machine learning automaticamente e escolha o que melhor se adequa ao seu caso de uso. Por exemplo, revise a tabela de classificação para ver a performance de cada opção e escolha o modelo que atenda aos requisitos de precisão e latência do seu modelo.

 Clique para aumentar

SOMENTE NO AMAZON SAGEMAKER

Reduza os custos de rotulagem de dados em até 70% usando o Amazon SageMaker Ground Truth

Modelos de machine learning de sucesso são desenvolvidos com base em grandes volumes de dados de treinamento de alta qualidade. Contudo, o processo de criação dos dados de treinamento necessários para desenvolver esses modelos geralmente é caro, complicado e demorado. O Amazon SageMaker Ground Truth ajuda a criar e gerenciar conjuntos de dados de treinamento altamente precisos rapidamente. O Ground Truth oferece fácil acesso aos rotuladores por meio do Amazon Mechanical Turk e fornece fluxos de trabalho e interfaces pré-criados para tarefas comuns de rotulagem. Você também pode usar seus próprios rótulos ou fornecedores recomendados pela Amazon por meio do AWS Marketplace. Além disso, a Ground Truth aprende continuamente com rótulos criados por seres humanos para fazer anotações automáticas de alta qualidade e reduzir significativamente os custos de rotulagem.

Saiba mais »

70%

DE REDUÇÃO DE CUSTO DA ROTULAGEM DE DADOS

O Amazon SageMaker é compatível com as principais estruturas de aprendizagem profunda

Entre as estruturas compatíveis estão: TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn e Deep Graph Library. 

Amazon-SageMaker_Framework-Logos_F2f3f3

Treine modelos de machine learning

SOMENTE NO AMAZON SAGEMAKER

Organize, monitore e avalie as execuções de treinamento usando o Amazon SageMaker Experiments

O Amazon SageMaker Experiments ajuda a organizar e monitorar iterações para modelos de machine learning. O treinamento de um modelo de ML normalmente envolve muitas iterações para isolar e medir o impacto da alteração de conjuntos de dados, versões de algoritmos e parâmetros de modelo. Você produz centenas de artefatos, como modelos, dados de treinamento, configurações de plataforma, configurações de parâmetros e métricas de treinamento durante essas iterações. Normalmente são usados mecanismos pesados para monitorar esses experimentos, como planilhas.

O SageMaker Experiments ajuda a gerenciar as iterações, capturando automaticamente os parâmetros de entrada, as configurações e os resultados, armazenando-os como "experimentos". Você pode trabalhar na interface visual do SageMaker Studio, onde pode procurar experimentos ativos, pesquisar experimentos anteriores pelas características, revisar experimentos anteriores pelos resultados deles e comparar visualmente os experimentos.

Experimentos
Experimentos

Monitore milhares de experimentos de treinamento para entender a precisão do seu modelo. Por exemplo, visualize em um gráfico como conjuntos de dados de diferentes séries temporais afetam a precisão do modelo.

Monitore milhares de experimentos de treinamento para entender a precisão do seu modelo. Por exemplo, visualize em um gráfico como conjuntos de dados de diferentes séries temporais afetam a precisão do modelo.

 Clique para aumentar

SOMENTE NO AMAZON SAGEMAKER

Analise, depure e corrija problemas de machine learning usando o Amazon SageMaker Debugger

O processo de treinamento de ML é amplamente opaco e o tempo necessário para treinar um modelo pode ser longo e difícil de otimizar. Como resultado, muitas vezes é difícil interpretar e explicar modelos. O Amazon SageMaker Debugger torna o processo de treinamento mais transparente, capturando métricas em tempo real automaticamente durante o treinamento, como treinamento e validação, matrizes de confusão e gradientes de aprendizagem, para ajudar a melhorar a precisão do modelo.

As métricas do SageMaker Debugger podem ser visualizadas no SageMaker Studio para facilitar o entendimento. O SageMaker Debugger também pode gerar avisos e conselhos de correção quando problemas comuns de treinamento são detectados. Com o SageMaker Debugger, você pode interpretar como um modelo está funcionando, o que representa um passo inicial para a explicabilidade do modelo.

Depurador
Depurador

Analise e depure as anomalias. Por exemplo, o treinamento de uma rede neural cessará se for determinado que os gradientes estão desaparecendo. O SageMaker Debugger identifica gradientes que estão desaparecendo para que você possa remediar antes que o treinamento seja afetado.

Analise e depure as anomalias. Por exemplo, o treinamento de uma rede neural cessará se for determinado que os gradientes estão desaparecendo. O SageMaker Debugger identifica gradientes que estão desaparecendo para que você possa remediar antes que o treinamento seja afetado.

 Clique para aumentar

A AWS é o melhor lugar para executar o TensorFlow

As otimizações do TensorFlow da AWS fornecem eficiência de escalabilidade quase linear entre centenas de GPUs para operar na escala de nuvem sem muita sobrecarga de processamento para treinar modelos mais precisos e mais sofisticados em muito menos tempo.

90%

EFICIÊNCIA DA ESCALABILIDADE, COM 256 GPUS

Reduza os custos de treinamento em 90%

O Amazon SageMaker fornece treinamento gerenciado de spots para ajudar a reduzir os custos de treinamento em até 90%. Esse recurso usa instâncias spot do Amazon EC2, que é uma capacidade de computação sobressalente da AWS. Os trabalhos de treinamento são executados automaticamente quando a capacidade de computação se torna disponível e são resilientes a interrupções causadas por alterações na capacidade, permitindo economizar custos quando você tem flexibilidade com a execução de trabalhos de treinamento.

90%

REDUÇÃO DE CUSTOS COM TREINAMENTO GERENCIADO DE SPOTS

Implante modelos de machine learning

Implantação com um clique

O Amazon SageMaker facilita a implantação de seu modelo treinado na produção com um único clique para que você possa começar a gerar previsões para dados em lotes ou em tempo real. Também é possível implantar seu modelo em instâncias do Amazon Machine Learning com escalabilidade automática entre várias zonas de disponibilidade para obter alta redundância. Basta especificar o tipo de instância e os números mínimo e máximo desejados e o SageMaker cuidará do resto. O SageMaker inicia as instâncias, implanta o modelo e configura o endpoint HTTPS seguro para o aplicativo. O aplicativo precisa apenas incluir uma chamada à API para esse endpoint a fim de obter inferência de baixa latência e alto throughput. Essa arquitetura permite integrar novos modelos ao aplicativo em minutos, já que as alterações do modelo não exigem mais alterações de código.

SOMENTE NO AMAZON SAGEMAKER

Mantenha os modelos precisos ao longo do tempo usando o Amazon SageMaker Model Monitor

O Amazon SageMaker Model Monitor permite que os desenvolvedores detectem e corrijam o desvio do conceito. Hoje, um dos grandes fatores que podem afetar a precisão dos modelos implantados é se os dados que estão sendo usados para gerar previsões diferem dos dados usados para treinar o modelo. Por exemplo, mudanças nas condições econômicas podem gerar novas taxas de juros que afetam as previsões de compra de imóveis. Isso é chamado de desvio de conceito, motivo pelo qual os padrões que o modelo usa para fazer previsões não se aplicam mais. O SageMaker Model Monitor detecta automaticamente desvios de conceito nos modelos implantados e fornece alertas detalhados que ajudam a identificar a origem do problema. Todos os modelos treinados no SageMaker emitem automaticamente as principais métricas que podem ser coletadas e visualizadas no SageMaker Studio. No SageMaker Studio, você pode configurar os dados a serem coletados, como visualizá-los e quando receber alertas.

Monitor de modelos
Monitor de modelos

Monitore os modelos em produção. Por exemplo, visualize gráficos com recursos importantes do modelo e estatísticas resumidas, assista-os ao longo do tempo e compare com os recursos usados no treinamento. Alguns recursos apresentam desvio quando o modelo está em execução na produção, o que pode indicar a necessidade de treinar novamente o modelo.

Monitore os modelos em produção. Por exemplo, visualize gráficos com recursos importantes do modelo e estatísticas resumidas, assista-os ao longo do tempo e compare com os recursos usados no treinamento. Alguns recursos apresentam desvio quando o modelo está em execução na produção, o que pode indicar a necessidade de treinar novamente o modelo.

 Clique para aumentar

SOMENTE NO AMAZON SAGEMAKER

Validar previsões por meio de revisão humana

Muitos aplicativos de machine learning exigem humanos para analisar previsões de baixa confiança a fim de garantir que os resultados estejam corretos. Porém, incorporar a revisão humana no fluxo de trabalho pode ser demorado e caro, envolvendo processos complexos. A IA aumentada da Amazon facilita a construção de fluxos de trabalho necessários para a análise humana para previsões de ML. A IA aumentada fornece fluxos de trabalho de revisão humana integrados para casos de uso comuns de machine learning. Você também pode criar seus próprios fluxos de trabalho para modelos criados no Amazon SageMaker. Com a IA aumentada, você pode permitir que revisores humanos entrem em ação quando um modelo não puder fazer previsões de alta confiança.

Saiba mais »

Reduza os custos de inferência de machine learning em até 75% usando o Amazon Elastic Inference

Na maioria dos aplicativos de aprendizagem profunda, fazer previsões usando um modelo treinado - um processo chamado inferência - pode ser um fator importante nos custos de computação do aplicativo. Uma instância completa da GPU pode ter um tamanho excessivo para inferência do modelo. Além disso, pode ser difícil otimizar as necessidades de GPU, CPU e memória de seu aplicativo de aprendizagem profunda. O Amazon Elastic Inference resolve estes problemas ao permitir que se associe apenas a quantidade correta de aceleração de inferência baseada em GPU a qualquer tipo de instância do Amazon EC2 ou do Amazon SageMaker ou tarefa do Amazon ECS, sem precisar de alterações no código. Com o Elastic Inference, é possível escolher o tipo de instância mais adequado em função da memória e CPU geral necessários para o seu aplicativo, em seguida, configurar separadamente a quantidade de aceleração de inferência que você precisa para utilizar os recursos de forma eficaz e reduzir os custos de execução da inferência.

75%

DE REDUÇÃO NOS CUSTOS DE INFERÊNCIA

Integre-se ao Kubernetes para orquestração e gerenciamento

O Kubernetes é um sistema de código aberto usado para automatizar a implantação, dimensionamento e gerenciamento de aplicativos conteinerizados. Muitos clientes desejam usar os recursos totalmente gerenciados do Amazon SageMaker para machine learning, mas também querem que as equipes de plataforma e infraestrutura continuem usando o Kubernetes para orquestração e gerenciamento de pipelines. O SageMaker permite que os usuários treinem e implantem modelos no SageMaker usando operadores e pipelines do Kubernetes. Os usuários do Kubernetes podem acessar todos os recursos do SageMaker nativamente a partir do Kubeflow.

Comece a usar o Amazon SageMaker

Comece a criar com o Amazon SageMaker no Console de Gerenciamento da AWS.