Amazon SageMaker
Aprendizaje automático al alcance de cualquier desarrollador y científico de datos.
Amazon SageMaker proporciona a los desarrolladores y científicos de datos la posibilidad de crear, entrenar e implementar modelos de aprendizaje automático de forma rápida. Amazon SageMaker es un servicio completamente administrado que cubre todo el flujo de trabajo de aprendizaje automático para etiquetar y preparar sus datos, elegir un algoritmo, entrenar dicho algoritmo, ajustarlo y optimizarlo para la implementación, realizar predicciones y tomar medidas. Sus modelos aceleran su acceso a producción, con un esfuerzo y un costo mucho menores.
CREAR
Recopile y prepare los datos de entrenamiento
Etiquetado de datos y blocs de notas prediseñados para los problemas comunes
Elija y optimice su algoritmo de aprendizaje automático
Mercado de algoritmos y modelos, algoritmos integrados de alto rendimiento
ENTRENAR
Configure y administre los entornos para el entrenamiento
Entrenamiento con un solo clic en la infraestructura de más alto rendimiento
Entrene y ajuste el modelo
Entrene una vez, ejecútelo en cualquier parte y optimice el modelo
IMPLEMENTAR
Implemente el modelo en producción
Implementación con un clic
Escale y administre el entorno de producción
Completamente administrado con escalado automático para una reducción del 75 % de los costos de inferencia
Clientes destacados
Recopile y prepare los datos de entrenamiento
Etiquete los datos de entrenamiento de forma rápida
Amazon SageMaker Ground Truth le ayuda a crear y administrar conjuntos de datos de entrenamiento de gran precisión de forma rápida. Ground Truth ofrece un acceso fácil a los etiquetadores públicos y privados, a los que proporciona flujos de trabajo prediseñados e interfaces para tareas de etiquetado habituales. Además, Ground Truth aprende de estos para realizar anotaciones automáticas de alta calidad, a fin de reducir considerablemente los costos de etiquetado.
Más información »
Blocs de notas alojados
Blocs de notas de Jupyter completamente administrados con decenas de flujos de trabajo prediseñados y
ejemplos para facilitar la exploración y la visualización de sus datos de entrenamiento.
Elija y optimice su algoritmo de aprendizaje automático
Amazon SageMaker configura y optimiza automáticamente TensorFlow, Apache MXNet, PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras y Gluon. Los algoritmos de aprendizaje automático de uso habitual se integran y se adaptan al escalado, velocidad y precisión de más de cien modelos y algoritmos adicionales ya entrenados, disponibles en AWS Marketplace. También puede integrar cualquier otro algoritmo o marco de trabajo en un contenedor Docker para incorporarlo.
Configure y administre los entornos de entrenamiento
Entrenamiento con un solo clic
Comience a entrenar su modelo con un solo clic. Amazon SageMaker administra toda la infraestructura subyacente para ampliarla fácilmente a conjuntos de datos con tamaños de petabytes.
El mejor lugar para ejecutar TensorFlow
Optimizaciones de TensorFlow de AWS para proporcionar una eficiencia de escalado casi lineal en cientos de GPU a fin de operar en el nivel de nube sin demasiada sobrecarga de procesamiento y entrenar modelos más precisos y sofisticados en mucho menos tiempo.
Eficacia de escalado con 256 GPU
Ajuste y optimice su modelo
Ajuste su modelo automáticamente
Entrene una sola vez y ejecute en cualquier parte
Amazon SageMaker Neo le permite entrenar un modelo una sola vez e implementarlo en cualquier parte. SageMaker Neo utiliza el aprendizaje automático para optimizar cualquier modelo entrenado que se haya creado con un marco de trabajo popular para la plataforma de hardware que especifique, sin pérdidas de precisión. Después, puede implementar su modelo en instancias EC2 y de SageMaker o en cualquier dispositivo en el límite que incluya el tiempo de ejecución de Neo, como los dispositivos de AWS Greengrass.
Implemente y administre modelos en producción
Implementación en la producción con un solo clic
Amazon SageMaker facilita la implementación de su modelo entrenado en producción con un solo clic para comenzar a generar predicciones (un proceso denominado inferencia) para datos en lotes o en tiempo real. Su modelo se ejecuta en clústeres de escalado automático de instancias de Amazon SageMaker distribuidas en varias zonas de disponibilidad para ofrecer un alto rendimiento y alta disponibilidad. Amazon SageMaker también incluye pruebas A/B integradas para contribuir a probar el modelo y experimentar con diferentes versiones con objeto de obtener los mejores resultados.
Ejecute modelos en el límite
AWS Greengrass facilita la implementación de modelos entrenados con Amazon SageMaker en dispositivos en el límite para ejecutar inferencia. Con AWS Greengrass, los dispositivos conectados pueden ejecutar funciones AWS Lambda, mantener los datos de dispositivos sincronizados y comunicarse con otros dispositivos de manera segura, incluso sin estar conectados a Internet.
Utilice Amazon Elastic Inference para asociar la aceleración de las GPU elásticas a sus instancias de Amazon SageMaker fácilmente y reducir así sus costos de inferencia de aprendizaje profundo en hasta un 75 %. En la mayoría de los modelos, una instancia GPU completa es demasiado grande para la inferencia. Además, puede ser difícil optimizar las necesidades de GPU, CPU y memoria de su aplicación de aprendizaje profundo con un tipo de instancia único. Elastic Inference le permite elegir el tipo de instancia más adecuado para las necesidades globales de CPU y memoria de su aplicación y, después, configurar aparte la cantidad de aceleración de GPU adecuada que se requiere para la inferencia.
ADMITE
Historias de éxito de clientes
“GE Healthcare está transformando los servicios de sanidad al posibilitar que los proveedores ofrezcan mejores resultados. Entrenamos modelos de visión artificial en Amazon SageMaker que, después, se implementan en nuestras máquinas de rayos X y de resonancia magnética. Gracias a la aplicación de técnicas de aprendizaje mediante refuerzo, podemos reducir el tamaño de los modelos entrenados y obtener, al mismo tiempo, el equilibrio adecuado entre la compresión de red y la precisión de los modelos. Amazon SageMaker RL nos ha permitido pasar de la idea a la implementación en menos de cuatro semanas, eliminando las dificultades de la ejecución de cargas de trabajo de RL.”
“En la NFL, somos más eficientes en el desarrollo de métricas para la oferta de Next Gen Stats gracias a la tecnología de AWS. El aprendizaje automático y otras técnicas que llevaría meses optimizar ahora están listas en semanas o días, lo cual nos permite interactuar con los aficionados, mantenerlos informados y expectantes de formas nuevas y exclusivas”.
“Detrás de cada deslizamiento en Tinder hay un sistema que administra millones de solicitudes por minuto y miles de millones de deslizamientos por día, en más de 190 países. Amazon SageMaker simplifica el aprendizaje automático y ayuda a nuestros equipos de desarrollo a crear modelos para predicciones que generen nuevas conexiones que no hubieran sido posibles de otra forma”.
"Con Amazon SageMaker, podemos agilizar nuestras iniciativas de inteligencia artificial a escala mediante la creación e implementación de nuestros algoritmos en la plataforma. Crearemos novedosos algoritmos de inteligencia artificial y aprendizaje automático a gran escala y los implementaremos en esta plataforma para resolver problemas complejos que puedan generar ingresos a nuestros clientes".
“Amazon SageMaker RL ha convertido el aprendizaje mediante refuerzo distribuido en un proceso sencillo, escalable y rentable. Diseñamos proteínas mediante el desarrollo de herramientas de última generación para el descubrimiento y la optimización de las enzimas, lo que también hace la producción química más barata y ecológica. Con Amazon SageMaker RL podemos utilizar distintos clústeres con diversos tipos de instancias para el entrenamiento y la ejecución de simulaciones, lo que ha aportado mayor eficacia a nuestro proceso de desarrollo y ha reducido considerablemente el costo que supone ejecutar cargas de trabajo de RL. Con estas capacidades, podremos ampliar las posibilidades con el aprendizaje mediante refuerzo multiagente.”
“En Hotels.com, siempre estamos interesados en las diferentes maneras de agilizar tareas, aprovechar las últimas tecnologías y conservar nuestro espíritu innovador. Con Amazon SageMaker, el entrenamiento distribuido, los algoritmos optimizados y las características de hiperparámetros integradas deberían permitirle a mi equipo crear rápidamente modelos más precisos en nuestros conjuntos de datos más grandes, lo que reduce considerablemente el tiempo necesario para implementar un modelo en producción. Es tan solo una llamada a la API. Amazon SageMaker reducirá de manera significativa la complejidad del aprendizaje automático, lo que nos permitirá crear una mejor experiencia para nuestros clientes rápidamente”.
Matt Frye, vicepresidente y director científico de datos de Hotels.com y Expedia Affiliate Network
“La incorporación del aprendizaje automático en nuestros sistemas y prácticas es una forma perfecta para llevar la comprensión del juego a un nuevo nivel para nuestros seguidores y los 30 clubs. Elegimos AWS por la solidez y la profundidad de su experiencia demostrada en ofrecer servicios de aprendizaje automático a fin de crear nuevas oportunidades para compartir métricas nunca vistas anteriormente”.
Jason Gaedtke, director de tecnología de las Grandes Ligas de Baseball
Cree modelos de próxima generación con el aprendizaje mediante refuerzo completamente administrado
Utilice el aprendizaje mediante refuerzo (RL) para crear modelos sofisticados que puedan lograr resultados concretos sin necesidad de datos de entrenamiento pre-etiquetados. Este tipo de aprendizaje resulta útil en aquellas situaciones en las que no existe una respuesta correcta, sino un resultado óptimo, como aprender a conducir un coche o realizar operaciones financieras positivas. En lugar de consultar datos históricos, los algoritmos de RL utilizan la realización de acciones en un simulador, donde las compensaciones y las penalizaciones ayudan a dirigir el modelo hacia el comportamiento deseado.
Amazon SageMaker RL incluye algoritmos RL integrados y completamente administrados. SageMaker admite el aprendizaje mediante refuerzo en varios marcos de trabajo (incluidos TensorFlow y MXNet), así como marcos desarrollados a medida, diseñados desde un principio para este tipo de aprendizaje, como Intel Coach y Ray RLlib.
Amazon SageMaker RL también admite varios entornos de aprendizaje mediante refuerzo, incluidos entornos físicos completos en 2D y 3D, entornos de simulación comercial como MATLAB y Simulink, además de cualquier entorno que admita la interfaz OpenAI Gym de código abierto, incluidos los entornos de desarrollo personalizados. Asimismo, SageMaker RL le permitirá entrenar con entornos 3D virtuales integrados en Amazon Sumerian y AWS RoboMaker. Esto significa que se puede modelar cualquier cosa, desde sistemas financieros y publicidad, hasta controles industriales, robótica y vehículos autónomos.
Abierto y flexible
Aprendizaje automático a su manera
La tecnología de aprendizaje automático avanza muy rápido y debería mantenerse un acceso flexible a un amplio conjunto de marcos de trabajo y herramientas. Con Amazon SageMaker, puede utilizar los contenedores integrados de cualquier marco de trabajo popular o utilizar su marco de trabajo preferido. De cualquiera de las formas, Amazon SageMaker administrará íntegramente la infraestructura subyacente necesaria para compilar, entrenar e implementar sus modelos.
Rendimiento límite mejorado
Las capacidades de SageMaker Neo están también disponibles para todos los desarrolladores a través del proyecto Neo de código abierto. Consideramos que hacer posible la ejecución de modelos para todos en cualquier parte es un paso necesario para impulsar el máximo potencial del aprendizaje automático. Al contribuir en el esfuerzo del código abierto, los proveedores de hardware pueden mejorar Neo con nuevas optimizaciones e impulsar el ecosistema global de hardware al aprendizaje automático.
SageMaker se adapta a su flujo de trabajo
Desde el punto de vista tecnológico, Amazon SageMaker está formado por distintos componentes: Ground Truth, Notebooks, Training, Neo y Hosting. Estos componentes están diseñados para trabajar conjuntamente a fin de proporcionar un servicio integral de aprendizaje automático. Sin embargo, también se pueden utilizar de forma independiente para complementar los flujos de trabajo de aprendizaje automático existentes o respaldar los modelos que se ejecutan en su centro de datos o en el límite.
Aprenda y acelere
AWS DeepRacer
Coche de carreras a escala 1/18 totalmente autónomo, con todo lo que necesita saber acerca del aprendizaje mediante refuerzo con conducción autónoma.
AWS DeepLens
Adquiera conocimientos de visión artificial a través de proyectos, tutoriales y exploración práctica en el mundo real con la primera cámara de vídeo del mundo compatible con el aprendizaje profundo para desarrolladores.
Formación y certificación de AWS Machine Learning
Universidad de AWS Machine Learning. Cursos estructurados para el aprendizaje automático que se basan en el mismo material utilizado para formar a los desarrolladores de Amazon a través de la combinación de conocimientos básicos y aplicación real.
Laboratorio de soluciones de Amazon ML
Amazon ML Solutions Lab pone en contacto a su equipo con expertos en aprendizaje automático de Amazon. Combina talleres educativos prácticos con sesiones de aporte de ideas y servicios profesionales de asesoramiento para ayudarlo a "trabajar hacia atrás" a partir de los desafíos empresariales y, a continuación, ir paso a paso a través del proceso de integración de un modelo en producción. Posteriormente, podrá aplicar todo lo aprendido a otros aspectos de su organización para buscar oportunidades adicionales.