SageMaker Características de Amazon

SageMaker El chat de Canvas para la preparación de datos le ayuda a crear flujos de preparación de datos utilizandoLLMs.

Code Editor amplía Studio para que pueda escribir, probar, depurar y ejecutar su código de análisis y aprendizaje automático en un entorno basado en el código de código abierto de Visual Studio («CódigoOSS»).

SageMaker ha sustituido los NCCL núcleos predeterminados por núcleos optimizados para la inferencia a fin de mejorar la GPU utilización y ofrecer un rendimiento diferenciado frente a otros. OSS

SageMaker Inference proporciona la experiencia del desarrollador y las abstracciones de la interfaz de usuario para ayudarle a empezar más rápidamente con la implementación de modelos.

SageMaker los clientes ahora pueden mejorar la utilización de sus instancias de computación acelerada mediante la implementación de miles de modelos en un SageMaker punto final con rendimiento garantizado y autoscalamiento por modelo.

SageMaker La distribución es una colección de imágenes de Docker diseñadas para el aprendizaje automático, la ciencia de datos y el análisis de datos. Las imágenes están disponibles en Studio, Studio Lab, las libretas Studio y Github.

Una experiencia de incorporación de SageMaker dominios de Amazon simplificada y guiada con nuevas capacidades para usuarios individuales y administradores de organizaciones. Las capacidades incluyen la integración directa con el centro de IAM identidad, la gestión pormenorizada de las políticas de acceso, la administración y la configuración fluidas de SageMaker las aplicaciones y la configuración del almacenamiento. VPC

Amazon S3 Express One Zone es una nueva clase de almacenamiento que proporciona acceso en milisegundos de un solo dígito a las aplicaciones más sensibles a la latencia. Amazon S3 Express One Zone permite a los clientes colocar sus recursos informáticos y de almacenamiento de objetos en una única zona de AWS disponibilidad, lo que optimiza tanto el rendimiento como los costes informáticos con una mayor velocidad de procesamiento de datos.

Las evaluaciones del modelo básico (FMEval) le ayudan a cuantificar el riesgo de proporcionar contenido impreciso, tóxico o sesgado con su modelo de lenguaje para que pueda elegir el que mejor se adapte a su caso de uso. Traiga su propio conjunto de datos personalizado o utilice uno integrado para evaluar cualquier modelo de lenguaje. FMEvalestá integrado con decenas de modelos básicos basados en texto JumpStart o trae los tuyos propios. También puede crear evaluaciones personalizadas utilizando la FMEval biblioteca.

SageMaker HyperPod es una capacidad SageMaker que proporciona un entorno de aprendizaje automático permanente en clústeres resilientes que permite ejecutar cualquier carga de trabajo de aprendizaje automático para desarrollar grandes modelos de aprendizaje automático, como grandes modelos de lenguaje (LLMs) y modelos de difusión.

Jupyter AI y Code Whisperer se han incluido en la distribución. SageMaker Con esta actualización, los usuarios de Studio o Code Editor pueden utilizar fácilmente la IA generativa desde sus cuadernos y aprovechar la función de completar código de Code Whisperer.

JupyterLab in Studio mejora la latencia y la fiabilidad de los portátiles Studio

SageMaker Notebook Jobs proporciona SDK soporte para los trabajos de cuaderno para que pueda programarlos mediante programación.

SageMaker Pipelines te ofrece la opción de convertir tu código de aprendizaje automático local en un paso de SageMaker canalización, a partir del cual puedes crear y ejecutar una canalización.

SageMaker El tamizado inteligente es una capacidad de SageMaker entrenamiento que mejora la eficiencia de los conjuntos de datos de entrenamiento y reduce el tiempo y el costo totales del entrenamiento.

Studio es la última experiencia basada en la web para ejecutar flujos de trabajo de aprendizaje automático. Studio ofrece una suite que incluye Code IDEs Editor, una nueva aplicación de Jupyterlab y Studio RStudio Classic.

Cree, entrene e implemente modelos de ML utilizando datos geoespaciales.

Un servicio de ML automático que ofrece a personas sin experiencia en codificación la posibilidad de crear modelos y hacer predicciones con ellos.

Un entorno de machine learning integrado donde puede crear, entrenar, implementar y analizar sus modelos en la misma aplicación.

Un servicio gratuito que brinda a los clientes acceso a los recursos de AWS cómputo en un entorno basado en código abierto JupyterLab.

Entorno de desarrollo integrado para R, con una consola, editor de resaltado de sintaxis que admite la ejecución directa de código y herramientas para trazar, historial, depuración y administración del espacio de trabajo.

Cree los flujos de trabajo necesarios para la revisión humana de las predicciones de ML. Amazon A2I facilita la creación de los flujos de trabajo necesarios para la revisión humana de las predicciones de ML. pone la revisión humana al alcance de todos los desarrolladores, eliminando el trabajo pesado indiferenciado vinculado a la creación de sistemas de revisión humana o la administración de un gran número de revisores humanos.

Cree un trabajo de AutoML para entrenar automáticamente un modelo en Pipelines.

Los usuarios sin conocimientos de machine learning pueden crear rápidamente modelos de clasificación y regresión.

Procese previamente los conjuntos de datos, ejecute inferencia cuando no necesite un punto de enlace persistente y asocie registros de entrada con inferencias para ayudar a interpretar los resultados.

Mejore sus modelos de machine learning detectando posibles sesgos y ayude a explicar las predicciones que hacen los modelos.

Un espacio compartido consta de una JupyterServer aplicación compartida y un directorio compartido. Todos los perfiles de usuario de un SageMaker dominio de Amazon tienen acceso a todos los espacios compartidos del dominio.

Importe, analice, prepare y utilice datos en Studio. SageMaker Puede integrar Data Wrangler en sus flujos de trabajo de machine learning para simplificar y agilizar el preprocesamiento de datos y la ingeniería de características con poca o ninguna codificación. También puede añadir sus propios scripts y transformaciones de Python para personalizar su flujo de trabajo de preparación de datos.

Interactúe con sus datos, obtenga visualizaciones, explore perspectivas procesables y solucione los problemas de calidad de los datos.

Inspeccione los parámetros y los datos del entrenamiento durante todo el proceso de entrenamiento. Detecte y avise automáticamente a los usuarios de errores frecuentes, como que los valores de los parámetros son demasiado grandes o pequeños.

Optimice modelos personalizados para dispositivos de borde, cree y gestione flotas y ejecute modelos con un tiempo de ejecución eficiente.

Administración y seguimiento de experimentos Puede utilizar los datos de seguimiento para reconstruir un experimento, crear de forma incremental experimentos realizados por pares y trazar el linaje del modelo para verificaciones de cumplimiento y auditoría.

Un almacén centralizado de características y metadatos asociados para que las características puedan descubrirse y reutilizarse fácilmente. Puede crear dos tipos de tiendas, un almacenamiento en línea o sin conexión. El almacenamiento en línea puede utilizarse para casos de baja latencia e inferencia en tiempo real, mientras que el almacenamiento sin conexión puede emplearse para entrenamiento e inferencia por lotes.

Conjuntos de datos de entrenamiento de alta calidad mediante el uso de trabajadores junto con machine learning para crear conjuntos de datos etiquetados.

Una característica de etiquetado de datos llave en mano para crear conjuntos de datos de entrenamiento de alta calidad sin tener que crear aplicaciones de etiquetado y gestionar el personal de etiquetado por su cuenta.

Obtenga recomendaciones sobre tipos de instancias de inferencia y configuraciones (por ejemplo, recuento de instancias, parámetros de contenedores y optimizaciones de modelos) para utilizar sus modelos y cargas de trabajo de ML.

Evalúe cualquier cambio en su infraestructura de servicio de modelos comparando su rendimiento con el de la infraestructura desplegada actualmente.

Obtenga información sobre las SageMaker funciones y capacidades a través de soluciones seleccionadas con un solo clic, cuadernos de ejemplo y modelos previamente entrenados que puede implementar. También puede ajustar los modelos e implantarlos.

haga un seguimiento de la jerarquía de los flujos de trabajo de machine learning.

Cree y gestione canales de aprendizaje automático integrados directamente con SageMaker los trabajos.

Documente la información sobre sus modelos de ML en un único lugar para agilizar la gobernanza y la elaboración de informes durante todo el ciclo de vida del ML.

Una visión general preconfigurada y visual de todos los modelos de su cuenta. El panel de control del SageMaker modelo integra la información de Model Monitor, transforma los trabajos, los puntos finales y el seguimiento del linaje, CloudWatch por lo que puede acceder a información de alto nivel del modelo y realizar un seguimiento del rendimiento del modelo en una vista unificada.

Monitorizar y analizar modelos en producción (puntos de enlace) para detectar la deriva de datos y desviaciones en la calidad del modelo.

Control de versiones, seguimiento de artefactos y jerarquía, flujo de trabajo de aprobación y compatibilidad entre cuentas para la implementación de modelos de machine learning.

Entrene modelos de machine learning una vez y, a continuación, ejecútelos en cualquier lugar de la nube y en el borde.

Ejecute su bloc de notas SageMaker Studio como un trabajo programado y no interactivo.

Analice y preprocese datos, aborde la ingeniería de características y evalúe modelos.

Cree soluciones de aprendizaje end-to-end automático con CI/CD mediante SageMaker proyectos.

Maximice la compensación a largo plazo que el agente recibe como consecuencia de sus acciones.

Los administradores pueden definir los permisos con privilegios mínimos para las actividades comunes de aprendizaje automático mediante funciones personalizadas y preconfiguradas basadas en personas. IAM

Una opción de punto de conexión sin servidor para alojar su modelo ML. Aumenta automáticamente su capacidad para atender el tráfico de su punto de conexión. Elimina la necesidad de seleccionar tipos de instancia o gestionar políticas de escalado en un punto de conexión.

Una extensión de Git para entrar en un repositorio URL de Git, clonarlo en su entorno, insertar cambios y ver el historial de confirmaciones.

La próxima generación de SageMaker cuadernos que incluye integración AWS IAM Identity Center (IAMIdentity Center), tiempos de inicio rápidos y uso compartido con un solo clic.

Descubra, conecte, cree, cancele y gestione EMR clústeres de Amazon fácilmente en configuraciones de cuenta única y multicuenta directamente desde SageMaker Studio.

Entrene modelos de aprendizaje profundo más rápido en GPU instancias escalables administradas por SageMaker.