En noviembre de 2023, Amazon SageMaker presentó una serie de innovaciones en su clase ModelBuilder del SDK de Python, con el objetivo de simplificar y optimizar el proceso de implementación de modelos de aprendizaje automático en los endpoints de SageMaker. Estas actualizaciones ofrecen una transición sin problemas del entrenamiento del modelo a su inferencia, contando con una interfaz unificada y soporte para múltiples configuraciones de despliegue.
Entre los avances más significativos se destaca la capacidad de integrar ModelBuilder directamente con las interfaces de entrenamiento de SageMaker, asegurando que la ruta hacia el modelo más reciente entrenado se calcule automáticamente. Esto simplifica enormemente el flujo de trabajo desde el entrenamiento hasta el despliegue del modelo. Además, se ha introducido una interfaz unificada de inferencia, que elimina la necesidad de diferentes flujos de trabajo para la inferencia en tiempo real, en lotes, asincrónica y sin servidor.
Las mejoras también incluyen el soporte para pruebas en modo local, lo que permite a los usuarios depurar y testear sus scripts de procesamiento e inferencia más rápidamente. Una nueva función proporciona la última imagen de contenedor para un marco específico, evitando así la necesidad de actualizaciones constantes del código con cada nueva versión.
La clase ModelBuilder ahora permite la personalización de los pasos de preprocesamiento y postprocesamiento de inferencias. Esto es particularmente útil para flujos de trabajo complejos que requieren ajustes antes y después de que los datos sean enviados al modelo para predicciones. Además, facilita la integración de scripts para la filtración de contenido y la eliminación de información personal identificable, incorporando estos pasos directamente en la configuración del modelo para una gestión y despliegue más sencillo.
Un aspecto crucial de esta nueva actualización es el soporte para la evaluación del rendimiento mediante una nueva API de benchmarking. Esta funcionalidad permite a los usuarios evaluar opciones de despliegue utilizando métricas clave de rendimiento como latencia y coste, optimizando los modelos para un desempeño óptimo antes de su producción.
Con estas mejoras, Amazon SageMaker busca reducir la complejidad y la carga operativa para los científicos de datos, brindando una interfaz sencilla e intuitiva para entrenar y desplegar modelos de manera eficaz. Con estas innovaciones, la plataforma se posiciona como un actor clave en el campo de la inteligencia artificial generativa, presentando una solución que aborda una amplia gama de casos de uso.
Las mejoras en ModelBuilder, junto con las capacidades del ModelTrainer presentadas anteriormente, representan un avance importante que facilita la vida a los data scientists, permitiéndoles centrarse en desarrollar modelos más sofisticados y eficientes. SageMaker invita a sus usuarios a explorar estas características del SDK y a participar mediante documentación y ejemplos prácticos disponibles en la plataforma.
