O Amazon SageMaker fornece ferramentas específicas para operações de machine learning (MLOps), para ajudar você a automatizar e padronizar processos em todo o ciclo de vida de ML. Usando ferramentas de MLOps do SageMaker, você pode facilmente treinar, testar, solucionar, implantar e controlar modelos de ML em grande escala para aumentar a produtividade dos cientistas de dados e engenheiros de ML, mantendo ao mesmo tempo a performance dos modelos em produção.

A padronização dos ambientes de desenvolvimento de ML aumenta a produtividade dos cientistas de dados e, em última análise, o ritmo da inovação, facilitando o lançamento de novos projetos, o rodízio de cientistas de dados entre projetos e a implementação de práticas recomendadas de ML. O Amazon SageMaker Projects oferece modelos para provisionar rapidamente ambientes padronizados para cientistas de dados com ferramentas e bibliotecas bem testadas e atualizadas, repositórios de controle de origem, código estereotipado e pipelines de CI/CD.

Leia o guia do desenvolvedor para automatizar MLOps com o SageMaker Projects

A construção de modelos de ML é um processo iterativo que envolve o treinamento de centenas de modelos para encontrar o melhor algoritmo, arquitetura e parâmetros para otimizar a precisão do modelo. O MLflow permite que você acompanhe as entradas e saídas nessas iterações de treinamento, melhorando a repetibilidade das avaliações e promovendo a colaboração entre cientistas de dados. Com recursos de MLflow totalmente gerenciados, você pode criar servidores de rastreamento MLflow para cada equipe, facilitando a colaboração eficiente durante a experimentação de ML.

O Amazon SageMaker com MLflow gerencia o ciclo de vida de machine learning de ponta a ponta, simplificando o treinamento eficiente de modelos, rastreando experimentos e reprodutibilidade em diferentes estruturas e ambientes. Ele oferece uma interface única na qual você pode visualizar seus trabalhos de treinamento em andamento, compartilhar experimentos com os colegas e implantar modelos diretamente de um experimento.

Gerencie experimentos de machine learning com o MLflow

Com o Amazon SageMaker Pipelines, você pode automatizar o fluxo de trabalho de ML de ponta a ponta para processamento de dados, treinamento de modelos, ajustes, avaliação e implantação. Crie seu próprio modelo ou personalize um modelo de base do SageMaker Jumpstart com alguns cliques no editor visual do Pipelines. Configure o SageMaker Pipelines para ser executado automaticamente em intervalos regulares ou quando determinados eventos são acionados (por exemplo, novos dados de treinamento no S3)

Saiba mais sobre o Amazon SageMaker Pipelines

Muitas vezes, você precisa reproduzir modelos em produção para solucionar problemas com o comportamento de modelos e determinar a causa raiz. Para ajudar com isso, o Amazon SageMaker registra cada etapa do seu fluxo de trabalho, criando uma trilha de auditoria de artefatos de modelos, como dados de treinamento, definições de configuração, parâmetros de modelos e gradientes de aprendizado. Usando o rastreamento de linhagem, você pode recriar modelos para depurar possíveis problemas.

Saiba mais sobre o Rastreamento de Linhagem de ML do Amazon SageMaker

A criação de uma aplicação de ML envolve o desenvolvimento de modelos, pipelines de dados, pipelines de treinamento e testes de validação. Usando o Amazon SageMaker Model Registry, você pode rastrear versões de modelos, seus metadados, como agrupamento de casos de uso, e referências a métricas de performance de modelos em um repositório central, onde é fácil escolher o modelo certo para implantação com base nas suas necessidades de negócios. Além disso, o SageMaker Model Registry registra fluxos de trabalho de aprovação automaticamente para auditoria e conformidade.

Saiba mais sobre modelos de registro e implantação com o Model Registry

Fluxos de trabalho de desenvolvimento de ML devem se integrar a fluxos de trabalho de integração e implantação para oferecer rapidamente novos modelos para aplicações de produção. O Amazon SageMaker Projects traz práticas de CI/CD para ML, como manter a paridade entre ambientes de desenvolvimento e produção, controle de origem e versão, testes A/B e automação de ponta a ponta. Como resultado, você coloca um modelo em produção assim que ele é aprovado e, dessa maneira, aumenta a agilidade. 

Além disso, o Amazon SageMaker oferece defesas integradas para ajudar você a manter a disponibilidade dos endpoints e minimizar os riscos de implantação. O SageMaker se encarrega de configurar e orquestrar práticas recomendadas de implantação, como implantações azuis/verdes, para maximizar a disponibilidade e as integra a mecanismos de atualização de endpoints, como mecanismos de reversão automática, para ajudar você a identificar problemas automaticamente com antecedência e tomar medidas corretivas antes que eles afetem significativamente a produção.

Crie soluções completas de ML com CI/CD usando o SageMaker Projects

Depois que um modelo estiver em produção, você precisará monitorar sua performance, configurando alertas para que um cientista de dados de plantão possa solucionar o problema e acionar a reciclagem do treinamento. O Amazon SageMaker Model Monitor ajuda você a manter a qualidade, detectando desvios conceituais e de modelos em tempo real, bem como enviando alertas para que você possa tomar medidas imediatamente. O SageMaker Model Monitor monitora constantemente as características de performance dos modelos, como a precisão, que mede o número de previsões corretas em comparação com o número total de previsões, para que você possa lidar com quaisquer anomalias. O SageMaker Model Monitor é integrado ao SageMaker Clarify para melhorar a visibilidade de possíveis vieses.

Saiba mais 

O Amazon SageMaker facilita a implantação de modelos de ML para inferência com alta performance e baixo custo para qualquer caso de uso. Ele fornece uma ampla seleção de opções de implantação de modelos e infraestrutura de ML para atender a todas as suas necessidades de inferência de ML.

Saiba mais