AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
AWS anuncia que equipará su servicio SageMaker ML con capacidades adicionales, para hacerlo más accesible y para ofrecer una plataforma todo en uno a los usuarios, sean o no especialistas en aprendizaje automático.
En vivo desde Las Vegas. Después del discurso inaugural presentado por Adam Selipsky el 30 de noviembre, el evento anual de AWS está en pleno apogeo. En el segundo día, el discurso se centró en el aprendizaje automático, ya mencionado ayer por Adam Selipsky. y retomado por Swami Sivasubramanian, a cargo de los servicios de ML y VP para Amazon IA durante su discurso de apertura. La conferencia iba a ser interrumpida por una avalancha de anuncios, está hecho. En el espacio de dos horas, se dieron a conocer no menos de 6 funciones en torno a SageMaker, así como tres capacidades de base de datos adicionales y otras dos iniciativas para hacer que el aprendizaje automático (ML) sea accesible para la mayor cantidad de personas posible.
Según Swami Sivasubramanian, el aprendizaje automático y la inteligencia artificial son dos tecnologías que se están democratizando dentro de las empresas, y esta última está lista para escalar. El objetivo es proporcionar la plataforma más completa posible que reúna el conjunto de servicios para todos los datos, análisis y aprendizaje automático de un extremo a otro, para todos los tipos y cargas de trabajo. de datos. En la actualidad, «más de 1,5 millones de clientes de AWS utilizan servicios de base de datos, análisis o aprendizaje automático», dijo. Señaló que la tecnología ML se ha vuelto cada vez más accesible. «Zettabytes, o mil millones de exabytes, pronto serán un lugar común en el léxico tecnológico de las empresas», agrega.
AWS fortalece la plataforma SageMaker
Basado en esta observación, el Sr. Sivasubramanian introdujo seis capacidades para SageMaker, su plataforma ML basada en la nube lanzada en noviembre de 2017. Permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático. En 2020, AWS ya había desarrollado su servicio con la incorporación de varias funciones. Este año, continúa por este camino. Anunciado ayer en una vista previa por Adam Selipsky, SageMaker Canvas es una función sin código destinada a los analistas de negocios para crear modelos ML y generar predicciones precisas sin tener un conocimiento profundo de los algoritmos. Por tanto, el vicepresidente a cargo de la IA volvió a Canvas para desarrollar todos los aspectos. “Su interfaz de usuario intuitiva brinda a los usuarios la capacidad de navegar y acceder a fuentes de datos dispares en la nube o en las instalaciones, combinar conjuntos de datos con un solo clic, entrenar modelos precisos y luego generar otras predicciones tan pronto como otros datos estén disponibles”.
La suite SageMaker también está viendo expandirse su catálogo con Ground Truth Plus, destinado a automatizar el etiquetado de datos útil para entrenar modelos de algoritmos. Concretamente, este servicio admite diferentes casos de uso, incluidas nubes de puntos 3D, video, imágenes y texto. Por lo general, estos procesos de etiquetado de datos son revisados por expertos antes de pasarlos al modelo ML. Allí, Ground Truth Plus se encarga de transmitir a los humanos solo datos anotados con un alto grado de confianza. AWS también puede proporcionar grupos de expertos en etiquetado de datos según sea necesario. Ahorrar tiempo y eficiencia le recuerda al proveedor de la nube.
Otras mejoras destacables: las del servicio Studio en SageMaker. Estas evoluciones permitirán a los científicos de datos «descubrir, administrar, crear, finalizar y conectarse a clústeres EMR (Elastic MapReduce) de SageMaker Studio», utilizar «escenarios», una nueva forma de configurar y aprovisionar clústeres según las necesidades de carga de trabajo, y conectarse , depure y supervise los trabajos de Spark que se ejecutan en un clúster de EMR desde un SageMaker Studio Notebook.
Capacitación y despliegue estrechamente vinculado
La innovación es la palabra clave en AWS cuando se trata de infraestructura y especialmente de Sage Maker. Para ello, se ha presentado un conjunto de tres funcionalidades relacionadas con la formación y el despliegue. Training Compiler puede acelerar el entrenamiento de modelos de aprendizaje profundo hasta en un 50%. «Esta función compila automáticamente el código Python del usuario y genera núcleos de GPU específicamente para su modelo». El código de entrenamiento también utilizará menos memoria y cálculo y, por lo tanto, se entrenará más rápido. Para automatizar las pruebas de carga y optimizar el rendimiento del modelo en instancias de ML, AWS presenta Inference Recommend. Esta función puede reducir el tiempo necesario para mover los modelos de aprendizaje automático del desarrollo a la producción y optimizar los costos asociados con su operación.
Finalmente, AWS presentó una vista previa de SageMaker Serverless Inference, una opción para acelerar el desarrollo y la implementación de modelos ML sin tener que configurar o administrar la infraestructura subyacente. Simplemente seleccione la opción sin servidor al implementar un modelo de aprendizaje automático, y SageMaker proporciona, escala y deshabilita automáticamente la capacidad de cómputo en función del volumen de solicitudes de inferencia. Tenga en cuenta que el usuario solo paga por la duración de la ejecución del código de inferencia y la cantidad de datos procesados, y no por el tiempo de inactividad.
Capacite a los especialistas en ML del mañana
Sivasubramanian citó otras iniciativas destinadas a formar usuarios y futuros profesionales en aprendizaje automático. Con este fin, Amazon presentó una vista previa de Lab, adjunto a SageMaker Studio, definido como un servicio gratuito para aprender y experimentar ML. El usuario no necesita una cuenta de AWS, tarjeta de crédito o conocimientos de configuración de la nube. Studio Lab se basa en el IDE de JupyterLab y ofrece a los usuarios acceso gratuito a los recursos informáticos para practicar y experimentar. Una forma de reducir la barrera de entrada en esta área particularmente compleja.
AWS también está ejecutando un programa de becas para ayudar a los estudiantes a prepararse para carreras en IA y ML. En colaboración con Intel y Udacity, la iniciativa está diseñada para preparar a estudiantes con poco acceso a equipos informáticos, que provienen de minorías y con escasos medios económicos, para carreras en aprendizaje automático (ML). Se lanza como parte de DeepRacer Student and Student League. En particular, los participantes tienen acceso a cursos de capacitación en línea gratuitos para aprender los conceptos básicos del aprendizaje automático y el aprendizaje por refuerzo (LR). Los estudiantes también tienen acceso a 10 horas de entrenamiento de modelos y 5 GB de almacenamiento por mes para participar en la DeepRacer Student League, una competencia de carrera independiente global exclusivamente para estudiantes de AWS AI & ML.
