Información general Precios Preguntas frecuentes Clientes

Experimentos de machine learning mediante Amazon SageMaker con MLflow

Gestione de manera eficiente los modelos de machine learning y los experimentos de aplicaciones de IA generativa a escala con MLflow

Introducción a MLflow en SageMaker

¿Por qué usar Amazon SageMaker con MLflow?

Amazon SageMaker ofrece una capacidad de MLflow administrada para la experimentación con machine learning (ML) e IA generativa. Esta capacidad facilita a los científicos de datos el uso de MLflow en SageMaker para el entrenamiento, el registro y la implementación de modelos. Los administradores pueden configurar con rapidez entornos MLflow seguros y escalables en AWS. Los científicos de datos y los desarrolladores de machine learning pueden realizar un seguimiento eficiente de los experimentos de machine learning y encontrar el modelo adecuado para un problema empresarial.

Beneficios de Amazon SageMaker con MLflow

Experimente de manera eficiente con modelos fundacionales (FM)

Los científicos de datos pueden usar MLflow para realizar un seguimiento de todas las métricas generadas durante el ajuste de un modelo básico, evaluar el modelo, ponerlo a prueba con datos de muestra, comparar los resultados de cada modelo, uno al lado del otro, en la interfaz de usuario de MLflow y registrar el modelo correcto para su caso de uso. Una vez que registran el modelo, los ingenieros de machine learning pueden implementarlo en la inferencia de SageMaker.

Sin mantenimiento de la infraestructura

No tiene que administrar ninguna infraestructura necesaria para alojar a MLflow. Los científicos de datos pueden usar todas las capacidades de código abierto de MLflow sin que los administradores tengan que preocuparse por la sobrecarga de la infraestructura. Esto supone ahorrar tiempo y dinero a la hora de configurar entornos de ciencia de datos. MLflow está integrado con Amazon Identity and Access Management (IAM), lo que le permite configurar el control de acceso basado en roles (RBAC) para los servidores de seguimiento de MLflow.

Transición fluida de la experimentación con modelos a la producción

Los modelos registrados en MLflow se registrarán automáticamente en el Registro de modelos de Amazon SageMaker con una tarjeta de modelos de Amazon SageMaker asociada. Esto permite a los científicos de datos hacer la transición de sus modelos a los ingenieros de machine learning para su implementación en producción sin cambiar de contexto. Los ingenieros de ML pueden implementar modelos de MLflow en los puntos de enlace de SageMaker sin crear contenedores personalizados ni volver a empaquetar los artefactos del modelo de MLflow.

Innove con la comunidad de código abierto

A medida que el proyecto MLflow evolucione, los clientes de SageMaker se beneficiarán de la innovación de código abierto de la comunidad de MLflow y, al mismo tiempo, disfrutarán de la administración de la infraestructura proporcionada por AWS.

Realice un seguimiento de los experimentos desde cualquier lugar

Los experimentos de machine learning se realizan en diversos entornos, incluidos blocs de notas locales, IDE, códigos de entrenamiento basados en la nube o IDE administrados en Amazon SageMaker Studio. Con SageMaker y MLflow, puede usar su entorno preferido para entrenar modelos, realizar un seguimiento de sus experimentos en MLflow e iniciar la interfaz de usuario de MLflow directamente o mediante SageMaker Studio para realizar análisis.

Colabore en la experimentación con modelos

La colaboración eficaz en equipo es esencial para el éxito de los proyectos de ciencia de datos. Con SageMaker Studio puede administrar y acceder a los experimentos y servidores de seguimiento de MLflow; de este modo, los miembros del equipo pueden compartir información y garantizar la coherencia de los resultados de los experimentos, lo que facilita la colaboración.

Gestione de forma centralizada los metadatos de los experimentos de ML

Evalúa los experimentos

Identificar el mejor modelo a partir de múltiples iteraciones requiere analizar y comparar el rendimiento del modelo. MLflow ofrece visualizaciones como gráficos de dispersión, gráficos de barras e histogramas para comparar las iteraciones del entrenamiento. Además, MLflow permite la evaluación de modelos para determinar su sesgo y equidad.

Administre de forma centralizada los modelos de MLflow

Varios equipos suelen utilizar MLflow para administrar sus experimentos, y solo algunos modelos se convierten en candidatos para la producción. Las organizaciones necesitan una manera fácil de realizar un seguimiento de todos los modelos candidatos para tomar decisiones fundamentadas sobre qué modelos pasan a la producción. MLflow se integra perfectamente con Registro de modelos de SageMaker, lo que permite a las organizaciones ver cómo sus modelos registrados en MLflow aparecen automáticamente en Registro de modelos de SageMaker, junto con una tarjeta del modelo de SageMaker para la gobernanza. Esta integración permite a los científicos de datos y a los ingenieros de machine learning utilizar distintas herramientas para sus respectivas tareas: MLflow para la experimentación y Registro de modelos de SageMaker para administrar el ciclo de vida de la producción con una amplia variedad de modelos.

Implemente modelos de MLflow en los puntos de conexión de SageMaker

La implementación de modelos de MLflow en puntos de conexión de SageMaker es sencilla y elimina la necesidad de crear contenedores personalizados para el almacenamiento de modelos. Esta integración permite a los clientes aprovechar los contenedores de inferencia optimizados de SageMaker y, al mismo tiempo, seguir disfrutando de la facilidad que brinda MLflow para registrar modelos.