AWS anuncia 6 nuevas funciones para Amazon SageMaker

Amazon Web Services (AWS) anunció seis nuevas características de ‘Amazon SageMaker’, un servicio ML (aprendizaje automático), en el evento AWS re: Invent.

Las nuevas características clave de SageMaker incluyen: ▲ un entorno sin código para generar predicciones de ML precisas ▲ etiquetado de datos preciso utilizando anotadores altamente capacitados ▲ Amazon SageMaker Studio para mejorar la colaboración entre dominios de experiencia Incluye un entorno portátil de uso general, un compilador para máquina formación de aprendizaje que agiliza el código, la selección automática de instancias de cómputo para la inferencia de ML y la computación sin servidor para la inferencia de ML.

Amazon SageMaker Canvas proporciona una interfaz visual para que los analistas de negocios (los empresarios que apoyan a los equipos de finanzas, marketing, operaciones y recursos humanos) generen directamente predicciones de ML precisas sin experiencia en ML, sin escribir código. aumentar el acceso a

Amazon SageMaker Ground Truth Plus es un servicio de etiquetado de datos totalmente administrado que aprovecha un flujo de trabajo de anotaciones integrado y personal experto para proporcionar datos de alta calidad para una capacitación más rentable y rápida del modelo de aprendizaje automático sin código. AWS lanzó Amazon SageMaker Ground Truth Plus en 2018, basándose en él para ayudar a los clientes empresariales a crear datos etiquetados más fácilmente utilizando mandíbulas mecánicas de Amazon, anotadores humanos a través de proveedores externos o su propia fuerza laboral. tengo.

El portátil de uso general para Amazon SageMaker Studio, un entorno de desarrollo ML (IDE), proporciona un entorno único e integrado para la ingeniería de datos, el análisis y el ML. Los departamentos con diferentes especialidades de datos esperan continuar su colaboración a través de una variedad de flujos de trabajo de ML, análisis e ingeniería de datos.

Amazon SageMaker Learning Compiler es un nuevo compilador de modelos de aprendizaje automático que optimiza automáticamente el código para hacer un mejor uso de los recursos informáticos y reducir el tiempo de entrenamiento del modelo hasta en un 50%. Los modelos de aprendizaje profundo masivos y exigentes de vanguardia requieren instancias de cómputo especializadas para acelerar el entrenamiento, y el entrenamiento de un solo modelo puede consumir miles de horas de tiempo de cómputo de GPU (unidad de procesamiento de gráficos).

El Recomendador de inferencia de Amazon SageMaker ayuda a los clientes empresariales a seleccionar automáticamente la configuración y la instancia informática más adecuada (número de instancias, parámetros del contenedor, optimización del modelo, etc.) para ejecutar modelos de aprendizaje automático. Los modelos de ML a gran escala que se utilizan comúnmente en el procesamiento del lenguaje natural (NLP) o la visión por computadora implican procesos complejos e iterativos que requieren semanas de experimentación antes de seleccionar la instancia informática con la mejor relación precio / rendimiento.

Amazon SageMaker Serverless Inference ofrece un servicio de pago por uso para la inferencia de precios para los modelos ML integrados en producción. Los clientes empresariales que usan ML siempre buscan la optimización de costos, lo cual es especialmente importante en aplicaciones con largos tiempos de inactividad y patrones de tráfico intermitentes. [email protected]


Source: ITWorld Korea by www.itworld.co.kr.

*The article has been translated based on the content of ITWorld Korea by www.itworld.co.kr. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!