Amazon ha presentado recientemente una serie de mejoras para su servicio Amazon SageMaker AI, introduciendo una opción sin servidor que promete revolucionar la gestión de infraestructura en el ámbito de la inteligencia artificial y el aprendizaje automático. Con esta nueva capacidad, se facilita el escalado dinámico de recursos durante las fases de experimentación intensiva y su reducción a cero cuando no son necesarios, lo que aligera considerablemente la carga operativa para los usuarios.
Las nuevas características incluyen una gestión mejorada de acceso a través de la administración de identidades y accesos de AWS (IAM), actualizaciones automáticas de versiones y una integración aún más estrecha con SageMaker AI para la personalización de modelos y creación de pipelines. Los científicos de datos ahora pueden rastrear experimentos y evaluar el desempeño de modelos sin interrupciones en la infraestructura, lo que convierte a MLflow en una herramienta más escalable dentro de las organizaciones.
El enfoque renovado de MLflow, ahora llamado MLflow Apps, reemplaza la anterior terminología de servidores de seguimiento y ofrece una serie de herramientas simplificadas para la gestión de permisos. Cada vez que se crea un dominio en SageMaker Studio, se provisiona automáticamente una aplicación MLflow por defecto, lo que elimina la necesidad de configuraciones adicionales y permite a los usuarios un acceso inmediato a los recursos necesarios.
Los administradores pueden definir una ventana de mantenimiento al crear la aplicación, asegurando un proceso continuo y seguro de actualizaciones, lo cual es crucial para mantener la aplicación estandarizada y actualizada con un esfuerzo mínimo. La compatibilidad con la versión 3.4 de MLflow amplía sus capacidades, abarcando aplicaciones de AI y cargas generativas.
Una característica crucial es la posibilidad de compartir aplicaciones MLflow entre diferentes cuentas de AWS mediante AWS Resource Access Manager (RAM), lo que posibilita una gestión centralizada de la infraestructura y un acceso sencillo para los científicos de datos en diversas cuentas de AWS, facilitando la colaboración entre equipos en distintos proyectos de AI.
Además, las nuevas pipelines de SageMaker integradas con MLflow permiten construir, ejecutar y monitorizar flujos de trabajo de aprendizaje automático intuitivamente, mediante una interfaz gráfica o un SDK de Python. En caso de no existir una aplicación MLflow, esta se crea automáticamente al ejecutar una pipeline de SageMaker.
La personalización de modelos también se conecta directamente con MLflow, simplificando el proceso de registro de métricas, parámetros y artefactos durante el ajuste fino de modelos.
En resumen, estas innovaciones en SageMaker AI a través de MLflow Apps están diseñadas para mejorar la gestión de cargas de trabajo de ML a gran escala, reduciendo la complejidad administrativa y ofreciendo a las organizaciones una mayor eficacia y control en sus proyectos de aprendizaje automático. Las aplicaciones MLflow están disponibles en las regiones de AWS donde opera SageMaker Studio, con excepción de China y las regiones de US GovCloud.
