Capacitación distribuida en Amazon SageMaker
Amazon SageMaker hace que sea más fácil y rápido entrenar modelos grandes y procesar grandes cantidades de datos. La nueva capacitación distribuida en el producto Amazon SageMaker permite la capacitación distribuida y admite el paralelismo de datos y modelos. Esto requiere cambios mínimos en el código. Ahora puede dividir fácilmente los datos en partes y entrenar en diferentes GPU. También puede dividir el modelo en sí para que se utilicen varias GPU para el entrenamiento. Esto es útil para modelos grandes donde la GPU por sí sola no es suficiente.
Más detalles aquí
Amazon SageMaker Clarify
Los modelos de aprendizaje automático suelen ser una caja negra. Es difícil entender por qué el modelo produjo tal o cual resultado. Amazon SageMaker Clarify puede ayudarlo a comprender cómo funcionan los modelos y los factores que influyeron en cada resultado. Esto es especialmente importante para auditar modelos.
Además, es posible que los datos no estén equilibrados. Los datos históricos sobre los que se entrenan los modelos de AA están incompletos y, a menudo, están sesgados. Por ejemplo, si las personas anteriores a una determinada edad obtuvieron pocos préstamos hipotecarios, entonces un modelo entrenado con dichos datos puede rechazar hipotecas a personas de esta edad en el futuro. Lo que solo reforzará el sesgo. Amazon SageMaker Clarify le permite identificar este tipo de desequilibrios y sesgos en sus datos. Esto hace que los modelos funcionen mejor para todos.
Más detalles aquí
Depurador de Amazon SageMaker
Amazon SageMaker Debugger es una herramienta útil para depurar y crear perfiles de modelos, recopilar y analizar datos de entrenamiento, generar informes y visualizar métricas. SageMaker Debugger ha recibido muchas actualizaciones este año, así como una interfaz de usuario completamente rediseñada.
Detalles aquí
JumpStart de Amazon SageMaker
Amazon SageMaker JumpStart le permite implementar rápidamente una solución lista para usar o un modelo de aprendizaje automático. Ya hay 15 soluciones disponibles para tareas como reconocimiento de escritura a mano, predicción de demanda, detección de fraudes y usuarios malintencionados, y mucho más. Además, SageMaker JumpStart le permite implementar uno de los 150 modelos de aprendizaje automático de código abierto de TensorFlow Hub y PyTorch Hub en unos pocos clics.
Detalles aquí
Administrador de borde de Amazon SageMaker
Un kit de herramientas (MLOps) para convertir sus dispositivos inteligentes en dispositivos inteligentes de borde que pueden ejecutar modelos entrenados en la nube, recopilar telemetría y enviar datos de muestra a la nube para su reentrenamiento. Amazon SageMaker Edge Manager también puede ayudarlo a monitorear el estado de su flota de dispositivos y actualizar modelos optimizados con SageMaker Neo.
El SageMaker Edge Agent es un pequeño tiempo de ejecución alojado en un dispositivo que puede ejecutar modelos, recopilar telemetría y enviar datos de muestra a la nube.
SageMaker Neo es una herramienta que optimiza sus modelos para dispositivos de bajo consumo que ya están incluidos en el tiempo de ejecución del agente.
Los paneles de SageMaker Edge lo ayudan a monitorear el estado de sus dispositivos mediante modelos a la deriva.
Más detalles aquí
Amazon Redshift ML
Ahora puedes entrenar modelos y hacer inferencia directamente en consultas SQL a Redshift, gracias a la integración con SageMaker AutoPilot, que preparará los datos y seleccionará el algoritmo más adecuado. Y todas las predicciones adicionales ya se pueden hacer utilizando los recursos del clúster RedShift sin descargar datos de él.
Esto hace que sea más fácil para el desarrollador o analista trabajar con datos y elimina pasos como cargar datos al almacenamiento provisional, iniciar el proceso de entrenamiento, alojar el modelo y el proceso de predicción.
Más detalles
Amazon Neptune ML
Amazon Neptune ML es una nueva función para bases de datos administradas basadas en gráficos: Amazon Neptune. Construido con Deep Graph Library , puede mejorar la precisión hasta en un 50% sobre otras bibliotecas y algoritmos que no se especializan en fuentes de datos de gráficos.
Amazon Neptune ML puede predecir los nodos faltantes (nodo de clasificación) y el borde (regresión de peso).
Amazon Lookout para métricas
Un nuevo servicio que detecta automáticamente anomalías en las métricas de su negocio sin requerir ninguna habilidad de desarrollo o aprendizaje automático. El servicio puede conectarse a fuentes de datos como Salesforce, Marketo, Google Analytics, Slack, Zendesk y muchas otras.
Se puede usar para monitorear, localizar y alertar sobre anomalías, y también es capaz de mostrar la causa potencial de una anomalía en datos tales como visitas a páginas web, tasa de abandono de clientes, usuarios activos diarios (DAU), transacciones, instalaciones de aplicaciones móviles y muchos más. ...
Plarix ya tiene acceso a la vista previa y ha probado este servicio para analizar sus datos.
“Experimentamos con nuestros datos de adquisición de usuarios para comprender cómo funciona el servicio y rápidamente identificó y agrupó anomalías que nos permitieron trabajar más rápido y mejor” - Mikhail Artyugin, CTO en Playrix.
Más detalles aquí
Sesión de Twitch en ruso
Hoy se llevará a cabo la próxima transmisión de contracciones en ruso, ahora sobre las novedades en el campo del aprendizaje automático. Le recordamos que las transmisiones se realizan en los días clave de AWS re: Invent. Las transmisiones son preparadas y realizadas por los principales arquitectos de soluciones de AWS, que eligen lo más interesante y útil de las noticias y anuncios de la conferencia de varias horas. Para aquellos que aún no se han conectado, el enlace de registro .
Más sobre el tema:
AWS re: Invent. Principales anuncios del primer día (Parte 1) de
AWS re: Invent. Los principales anuncios del primer día (Parte 2)