Category: Amazon SageMaker

Ранее в этом году было объявлено о сотрудничестве между Hugging Face и AWS, чтобы компаниям было проще использовать модели машинного обучения (ML) и быстрее получать модели с современными возможностями обработки текстов. В этом посте мы покажем вам, как использовать DLC SageMaker Hugging Face, сделать тонкую настройку предварительно обученной модели BERT и развернуть её в SageMaker как управляемую конечную точку HTTP для инференса.

В рамках статьи, мы посмотрим на основные варианты обработки данных для ML, и дадим рекомендации как выбрать тот из них, который подходит и для ваших задач, и для команд, предпочитающих работать с Python, Spark, SQL и другим инструментарием.
Важными факторами для выбора способа обработки данных могут быть уровень опыта команды, и ее склонность к написанию кода или управлению инфраструктурой. Чем меньше уровень опыта, тем предпочтительнее использование управляемых сервисов, вместо подхода «настрой всё сам».

Знакомимся с возможностями нового сервиса для хранения и работы с ML-признаками — SageMaker Feature Store