En noviembre de 2023, Amazon SageMaker introdujo mejoras significativas a su clase ModelBuilder dentro del SDK de Python, diseñadas para simplificar y optimizar el proceso de implementación de modelos de aprendizaje automático (ML) en los endpoints de SageMaker. Estas innovaciones permiten una transición más fluida desde el entrenamiento hasta la inferencia, proporcionando una interfaz unificada y soporte para múltiples configuraciones de despliegue.
Entre los avances más notables está la posibilidad de integrar ModelBuilder directamente con las interfaces de entrenamiento de SageMaker. Esto garantiza la identificación automática de la ruta correcta hacia el artefacto del modelo más reciente que haya sido entrenado, lo cual simplifica considerablemente el flujo de trabajo desde el entrenamiento hasta el despliegue del modelo. Además, ahora dispone de una interfaz unificada de inferencia que anteriormente requería distintos flujos de trabajo para manejar inferencias en tiempo real, por lotes, sin servidor y asincrónicas.
Otra mejora importante es el soporte para pruebas en modo local, lo cual permite a los usuarios depurar y probar sus scripts de procesamiento e inferencia más rápidamente. Se ha añadido también una función para obtener la última imagen de contenedor para un marco dado, evitando la necesidad de actualizar continuamente el código con cada nueva versión.
La clase ModelBuilder ahora permite personalizar los pasos de preprocesamiento y postprocesamiento para inferencias. Esta característica resulta particularmente útil para flujos de trabajo complejos que requieren ajustes antes y después de enviar los datos al modelo para predicción. Además, facilita la integración de scripts que filtren contenido y eliminen información personal identificable (PII), encapsulando todos los pasos requeridos dentro de la configuración del modelo para un mejor manejo y despliegue.
Un aspecto crucial de la actualización es el soporte para evaluar el rendimiento mediante una nueva API de benchmarking. Esta funcionalidad proporciona a los usuarios la posibilidad de evaluar opciones de despliegue a través de métricas clave de rendimiento, como la latencia y el costo, optimizando así los modelos para un rendimiento óptimo antes de su implementación en producción.
De esta manera, Amazon SageMaker busca simplificar la complejidad y reducir la carga operativa de los científicos de datos, ofreciendo una interfaz sencilla e intuitiva para entrenar y desplegar modelos de manera eficiente. Con estas innovaciones, la plataforma se posiciona para resolver una amplia gama de casos de uso en el dinámico ámbito de la inteligencia artificial generativa.
Las mejoras en ModelBuilder, junto con las capacidades del ModelTrainer presentadas anteriormente, representan un avance significativo para los científicos de datos, permitiéndoles enfocarse en la creación de modelos más sofisticados y eficientes. SageMaker invita a los usuarios a explorar estas características del SDK y sus aplicaciones mediante documentación y ejemplos disponibles para su implementación práctica en la plataforma.
