Funciones de Amazon SageMaker AI

Puedes publicar recetas en Amazon SageMaker HyperPod o como trabajos SageMaker de formación. Utiliza el adaptador de HyperPod formación como marco para ayudarle a ejecutar los flujos de trabajo de end-to-end formación. El adaptador de formación se basa en el NeMo marco NVIDIA y en el paquete de formación distribuida Neuronx.

En Amazon SageMaker Studio, puede lanzar cargas de trabajo de aprendizaje automático en HyperPod clústeres y ver HyperPod la información de los clústeres. La mayor visibilidad de los detalles del clúster y las métricas de hardware puede ayudar a su equipo a identificar al candidato adecuado para sus cargas de trabajo previas a la formación o para ajustar sus cargas de trabajo.

La gobernanza de SageMaker HyperPod tareas de Amazon es un sistema de administración sólido diseñado para agilizar la asignación de recursos y garantizar la utilización eficiente de los recursos informáticos en todos los equipos y proyectos de sus clústeres de Amazon EKS. HyperPod La gobernanza de tareas también proporciona la observabilidad del clúster de Amazon EKS, que ofrece visibilidad en tiempo real de la capacidad del clúster, la disponibilidad y el uso del procesamiento, la asignación y el uso del equipo y la información sobre la ejecución de las tareas y el tiempo de espera.

Con Amazon SageMaker Partner AI Apps, los usuarios tienen acceso a aplicaciones de desarrollo generativas de inteligencia artificial (IA) y aprendizaje automático (ML) creadas, publicadas y distribuidas por proveedores de aplicaciones líderes del sector. Las aplicaciones de IA de los socios están certificadas para funcionar con IA. SageMaker Con las aplicaciones de IA de Partner, los usuarios pueden acelerar y mejorar la forma en que crean soluciones basadas en modelos básicos (FM) y modelos clásicos de aprendizaje automático sin comprometer la seguridad de sus datos confidenciales, que permanecen completamente dentro de su configuración de seguridad de confianza y nunca se comparten con terceros.

Puede chatear con un desarrollador de Amazon Q en Amazon SageMaker Canvas utilizando un lenguaje natural para obtener asistencia generativa de IA a la hora de resolver sus problemas de aprendizaje automático. Puede conversar con Q Developer para analizar los pasos de un flujo de trabajo de aprendizaje automático y aprovechar las funciones de Canvas, como la transformación de datos, la creación de modelos y la implementación.

Los planes de SageMaker formación de Amazon son una capacidad de reserva informática diseñada para cargas de trabajo de formación de modelos de IA a gran escala que se ejecutan en HyperPod clústeres y trabajos de SageMaker formación. Proporcionan un acceso predecible a recursos informáticos acelerados por GPU de alta demanda en plazos específicos. Puede especificar el cronograma, la duración y los recursos informáticos máximos deseados, y los planes de SageMaker formación gestionan automáticamente la configuración de la infraestructura, la ejecución de la carga de trabajo y la recuperación de errores. Esto permite planificar y ejecutar de manera eficiente proyectos de IA de misión crítica con un modelo de costes predecible.

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

El Editor de código amplía Studio para que pueda escribir, probar, depurar y ejecutar su código de análisis y machine learning en un entorno basado en Visual Studio Code: código abierto (“Code-OSS”).

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

Amazon SageMaker HyperPod es una capacidad de la SageMaker IA que proporciona un entorno de aprendizaje automático siempre activo en clústeres resilientes en el que puede ejecutar cualquier carga de trabajo de aprendizaje automático para desarrollar modelos de aprendizaje automático de gran tamaño, como modelos de lenguaje grandes (LLMs) y modelos de difusión.

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

Studio es la experiencia web más reciente para ejecutar flujos de trabajo de ML. Studio ofrece una suite que incluye Code Editor IDEs, una nueva aplicación de Jupyterlab RStudio, y Studio Classic.

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 canalizaciones.

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 dominio de Amazon SageMaker AI 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.

Conozca las funciones y capacidades de la SageMaker IA 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 los trabajos de SageMaker IA.

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.

Crea soluciones de end-to-end aprendizaje automático con CI/CD mediante Projects. SageMaker

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

Los administradores pueden definir permisos de privilegio mínimo para actividades comunes de ML utilizando roles de IAM personalizados y preconfigurados basados en personas.

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 Git para introducir la URL de un repositorio Git, clonarlo en su entorno, insertar cambios y ver el historial de confirmaciones.

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

Descubra, conecte, cree, finalice y gestione clústeres de Amazon EMR con facilidad en configuraciones de una o varias cuentas directamente desde SageMaker Studio.

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