As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Produtos de machine learning
Como vendedor, você pode usar AWS Marketplace para criar algoritmos e modelos de aprendizado de máquina (ML) que seus compradores possam implantar AWS. Há dois tipos de SageMaker produtos da Amazon listados em AWS Marketplace:
- Pacote de modelos
-
Um modelo pré-treinado para fazer previsões que não exige nenhum treinamento adicional do comprador.
- Algoritmo
-
Um modelo que exige que o comprador forneça dados de treinamento antes de fazer previsões. O algoritmo de treinamento está incluído.
Esses produtos estão disponíveis para compradores por meio do SageMaker console da Amazon ou AWS Marketplace. Os compradores podem revisar descrições de produtos, documentações, análises de clientes, definições de preços e informações de suporte. Quando eles assinam um produto de pacote de modelo ou produto de algoritmo, ele é adicionado à lista de produtos no SageMaker console. Os compradores também podem usar AWS SDKs, o AWS Command Line Interface (AWS CLI) ou o SageMaker console para criar um endpoint de inferência REST totalmente gerenciado ou realizar inferência em lotes de dados.
Para obter suporte na criação de produtos de aprendizado de máquina com a Amazon SageMaker, entre em contato com a equipe de operações do AWS Marketplace vendedor
Conceitos básicos dos produtos de machine learning
AWS Marketplace suporta dois tipos de produtos de aprendizado de máquina, usando a Amazon SageMaker. Ambos os tipos, os produtos do pacote de modelos e os produtos do algoritmo, produzem um modelo de inferência implantável para fazer previsões.
SageMaker pacote modelo
Um produto de pacote de SageMaker modelos da Amazon contém um modelo pré-treinado. Modelos pré-treinados podem ser implantados SageMaker para fazer inferências ou previsões em tempo real ou em lotes. Este produto contém um componente de inferência treinado com artefatos de modelo, se houver. Como vendedor, você pode treinar um modelo usando SageMaker ou trazer seu próprio modelo.
SageMaker algoritmo
Os compradores podem usar um produto de SageMakeralgoritmo para realizar cargas de trabalho completas de aprendizado de máquina. Um produto de algoritmo tem dois componentes lógicos: treinamento e inferência. Em SageMaker, os compradores usam seus próprios conjuntos de dados para criar um trabalho de treinamento com seu componente de treinamento. Quando o algoritmo em seu componente de treinamento é concluído, ele gera os artefatos do modelo de aprendizado de máquina. SageMaker salva os artefatos do modelo no bucket do Amazon Simple Storage Service (Amazon S3) dos compradores. Em seguida SageMaker, os compradores podem implantar seu componente de inferência junto com os artefatos de modelo gerados para realizar inferência (ou previsão) em tempo real ou em lotes.
Implantação de um modelo de inferência
Se o modelo de inferência é criado a partir de um pacote de modelos ou de um algoritmo, há dois métodos para implantá-lo:
-
Endpoint — Esse método é usado SageMaker para implantar o modelo e criar um endpoint de API. O comprador pode usar esse endpoint como parte do serviço de back-end para alimentar seus aplicativos. Quando os dados são enviados para o endpoint, eles são SageMaker passados para o contêiner do modelo e retornam os resultados em uma resposta da API. O endpoint e o contêiner continuam funcionando até serem interrompidos pelo comprador.
nota
Em AWS Marketplace, o método de endpoint é chamado de inferência em tempo real e, na SageMaker documentação, é chamado de serviços de hospedagem. Para obter mais informações, consulte Implantar um modelo na Amazon SageMaker.
-
Trabalho de transformação em lote: nesse método, um comprador armazena conjuntos de dados para inferência no Amazon S3. Quando o trabalho de transformação em lote é iniciado, SageMaker implanta o modelo, passa dados de um bucket do S3 para o contêiner do modelo e, em seguida, retorna os resultados para um bucket do S3. Quando o trabalho é concluído, SageMaker interrompe o trabalho. Para obter mais informações, consulte Obter inferências para um conjunto de dados inteiro com uma transformação em lote.
nota
Ambos os métodos são transparentes para o modelo porque SageMaker transmitem dados para o modelo e retornam os resultados ao comprador.
