SageMaker Piloto automático - Amazon SageMaker

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.

SageMaker Piloto automático

Importante

Em 30 de novembro de 2023, a interface do usuário do Autopilot está migrando para o Amazon SageMaker Canvas como parte da experiência atualizada do Amazon SageMaker Studio. SageMaker O Canvas fornece aos analistas e cientistas de dados cidadãos recursos sem código para tarefas como preparação de dados, engenharia de recursos, seleção de algoritmos, treinamento e ajuste, inferência e muito mais. Os usuários podem aproveitar visualizações integradas e análises hipotéticas para explorar seus dados e diferentes cenários, com previsões automatizadas que permitem que eles produzam facilmente seus modelos. O Canvas suporta uma variedade de casos de uso, incluindo visão computacional, previsão de demanda, pesquisa inteligente e IA generativa.

Os usuários do Amazon SageMaker Studio Classic, a experiência anterior do Studio, podem continuar usando a interface do usuário do Autopilot no Studio Classic. Usuários com experiência em codificação podem continuar usando todas as APIreferências em qualquer suporte SDK para implementação técnica.

Se você usa o Autopilot no Studio Classic até agora e deseja migrar para o SageMaker Canvas, talvez seja necessário conceder permissões adicionais ao seu perfil ou IAM função de usuário para poder criar e usar o aplicativo SageMaker Canvas. Para obter mais informações, consulte (Opcional) Migrar do piloto automático no Studio Classic para o Canvas SageMaker .

Todas as instruções relacionadas à interface do usuário neste guia se referem aos recursos autônomos do Autopilot antes da migração para o Amazon Canvas. SageMaker Os usuários que seguem essas instruções devem usar o Studio Classic.

O Amazon SageMaker Autopilot é um conjunto de recursos que simplifica e acelera vários estágios do fluxo de trabalho de aprendizado de máquina ao automatizar o processo de criação e implantação de modelos de aprendizado de máquina (AutoML).

O piloto automático executa as seguintes tarefas principais que você pode usar no piloto automático ou com vários graus de orientação humana:

  • Análise e pré-processamento de dados: o Autopilot identifica seu tipo de problema específico, processa valores ausentes, normaliza seus dados, seleciona recursos e, em geral, prepara os dados para o treinamento de modelos.

  • Seleção de modelos: o Autopilot explora uma variedade de algoritmos e usa uma técnica de reamostragem de validação cruzada para gerar métricas que avaliam a qualidade preditiva dos algoritmos com base em métricas objetivas predefinidas.

  • Otimização de hiperparâmetros: o piloto automático automatiza a busca por configurações ideais de hiperparâmetros.

  • Treinamento e avaliação de modelos: o piloto automático automatiza o processo de treinamento e avaliação de vários candidatos a modelos. Ele divide os dados em conjuntos de treinamento e validação, treina os candidatos ao modelo selecionados usando os dados de treinamento e avalia sua performance com base nos dados não vistos no conjunto de validação. Por fim, ele classifica os candidatos a modelos otimizados com base em sua performance e identifica o modelo com melhor performance.

  • Implantação do modelo: Depois que o Autopilot identifica o modelo com melhor desempenho, ele oferece a opção de implantar o modelo automaticamente, gerando os artefatos do modelo e o endpoint expondo um. API Aplicativos externos podem enviar dados para o endpoint e receber as previsões ou inferências correspondentes.

O piloto automático oferece suporte à criação de modelos de aprendizado de máquina em grandes conjuntos de dados de até centenas de. GBs

O diagrama a seguir descreve as tarefas desse processo do AutoML gerenciado pelo Autopilot.

Visão geral do processo Amazon SageMaker Autopilot AutoML.

Dependendo do seu nível de conforto com o processo de machine learning e sua experiência em codificação, você pode usar o Autopilot de diferentes maneiras:

  • Usando a interface do Studio Classic, os usuários podem escolher entre uma experiência sem código ou ter algum nível de contribuição humana.

    nota

    Somente experimentos criados a partir de dados tabulares para tipos de problemas, como regressão ou classificação, estão disponíveis por meio da interface do usuário do Studio Classic.

  • Usando o AutoML API, os usuários com experiência em codificação podem usar o Available para SDKs criar trabalhos do AutoML. Essa abordagem oferece maior flexibilidade e opções de personalização e está disponível para todos os tipos de problemas.

Atualmente, o Autopilot oferece suporte aos seguintes tipos de problemas:

nota

Para problemas de regressão ou classificação envolvendo dados tabulares, os usuários podem escolher entre duas opções: usar a interface de usuário do Studio Classic ou a API Referência.

Tarefas como classificação de texto e imagem, previsão de séries temporais e ajuste fino de grandes modelos de linguagem estão disponíveis exclusivamente por meio da versão 2 do AutoML. REST API Se sua linguagem preferida for Python, você pode se referir diretamente ao AWS SDK for Python (Boto3) MLV2objeto Auto do Amazon Python SageMaker . SDK

Os usuários que preferem a conveniência de uma interface de usuário podem usar o Amazon SageMaker Canvas para acessar modelos pré-treinados e modelos básicos de IA generativos, ou criar modelos personalizados para textos específicos, classificação de imagens, necessidades de previsão ou IA generativa.

Além disso, o Autopilot ajuda os usuários a entender como os modelos fazem previsões, gerando relatórios automaticamente que mostram a importância de cada recurso individual. Isso fornece transparência e insights sobre os fatores que influenciam as previsões, que podem ser usados por equipes de risco e conformidade e por reguladores externos. O Autopilot também fornece um relatório de desempenho do modelo que engloba um resumo das métricas de avaliação, uma matriz de confusão, várias visualizações, como curvas características operacionais do receptor e curvas de recuperação de precisão e muito mais. O conteúdo específico de cada relatório varia de acordo com o tipo de problema do experimento do Autopilot.

Os relatórios de explicabilidade e desempenho do melhor candidato a modelo em um experimento de piloto automático estão disponíveis para tipos de problemas de classificação de dados tabulares, de texto e imagem.

Para casos de uso de dados tabulares, como regressão ou classificação, o Autopilot oferece visibilidade adicional sobre como os dados foram organizados e como os candidatos ao modelo foram selecionados, treinados e ajustados por meio da geração de cadernos que contêm o código usado para explorar os dados e encontrar o modelo com melhor desempenho. Esses cadernos fornecem um ambiente interativo e exploratório para ajudar você a aprender sobre o impacto de várias entradas ou as compensações feitas nos experimentos. Você pode experimentar ainda mais com o modelo candidato de maior desempenho fazendo suas próprias modificações nos cadernos de exploração de dados e definição de candidatos fornecidos pelo Autopilot.

Com a Amazon SageMaker, você paga somente pelo que usa. Você paga pelos recursos subjacentes de computação e armazenamento contidos em SageMaker ou em outros AWS serviços, com base no seu uso. Para obter mais informações sobre o custo de uso SageMaker, consulte Amazon SageMaker Pricing.

Tópicos