AWS apresenta novos recursos de Machine Learning

A AWS anunciou na terça-feira (8/12), durante o evento AWS re: Invent, novos recursos para o seu serviço de Machine Learning (ML) Amazon SageMaker, tornando ainda mais fácil para os desenvolvedores automatizar e dimensionar todas as etapas do fluxo de trabalho de ponta a ponta. Entre as novidades estão a preparação de dados mais rápida, um repositório específico para dados preparados, automação de fluxo de trabalho, maior transparência nos dados de treinamento para mitigar tendências e explicar previsões, recursos de treinamento distribuído para treinar modelos grandes até duas vezes mais rápido e monitoramento de modelo em dispositivos de ponta.
O SageMaker Data Wrangler fornece a maneira mais rápida e fácil de preparar dados para ML, um processo considerado difícil, já que os atributos de dados (conhecidos como recursos) usados para treinar um modelo geralmente vêm de fontes diferentes e existem em vários formatos. Isso significa que os desenvolvedores devem gastar um tempo considerável extraindo e normalizando esses dados para que sejam consistentemente fáceis de usar. Com o SageMaker Data Wrangler, os clientes podem escolher os dados que desejam de seus vários armazenamentos de dados e importá-los com um único clique. Ele contém mais de 300 transformadores de dados integrados que podem ajudar a normalizar, transformar e combinar recursos sem ter que escrever nenhum código, enquanto gerencia toda a infraestrutura de processamento nos bastidores.

A Loja de recursos Amazon SageMaker fornece um novo repositório que facilita o armazenamento, atualização, recuperação e compartilhamento de recursos de ML para treinamento e inferência. Ela fornece um armazenamento de recursos criado para determinados propósitos, em que os desenvolvedores podem acessar e compartilhar recursos que tornam muito mais fácil nomear, organizar, localizar e compartilhar conjuntos de recursos entre equipes de desenvolvedores e cientistas de dados.
Outra novidade o gerenciamento e automação do fluxo de trabalho do SageMaker Pipelines, o primeiro serviço de integração e entrega contínua (CI/CD) desenvolvido para um propósito e fácil de usar para ML. Como os clientes podem ver com a engenharia de recursos, o Machine Learning compreende várias etapas, que podem se beneficiar da orquestração e automação. Isso não é diferente da programação tradicional, em que os clientes têm ferramentas como CI/CD para ajudá-los a desenvolver e implantar aplicativos mais rapidamente. Os desenvolvedores podem agora definir cada etapa de um fluxo de trabalho de ponta a ponta, que incluem as etapas de carregamento de dados, transformações de Amazon SageMaker Data Wrangler, recursos armazenados em Loja de recursos SageMaker, configuração de treinamento e definição de algoritmo, etapas de depuração e etapas de otimização.
O SageMaker Clarify fornece detecção de polarização em todo o fluxo de trabalho de ML, permitindo que os desenvolvedores criem maior justiça e transparência em seus modelos. Depois que os desenvolvedores prepararam os dados para treinamento e inferência, eles precisam tentar garantir que os dados estejam livres de distorções estatísticas e que as previsões do modelo sejam transparentes, para que possam explicar como os recursos do modelo estão contribuindo para as previsões. Com a nova ferramenta, os desenvolvedores podem agora detectar com mais facilidade o viés estatístico em todo o fluxo de trabalho e fornecer explicações para as previsões feitas por seus modelos de ML.
O SageMaker Debugger agora permite que os desenvolvedores treinem seus modelos com mais rapidez, monitorando automaticamente a utilização dos recursos do sistema e fornecendo alertas para gargalos de treinamento. Ele expande seu escopo para monitorar a utilização dos recursos do sistema, enviar alertas sobre problemas durante o treinamento e correlacionar o uso a diferentes fases do job de treinamento ou a um ponto específico no tempo (por exemplo, 28 minutos após o início do job). A ferramenta também pode disparar ações com base em alertas (por exemplo, interromper um trabalho de treinamento quando irregularidades no uso da GPU são detectadas).
Serviço
https://aws.amazon.com/sagemaker