Amazon SageMaker

Plataforma administrada de AWS para todo el ciclo de vida de machine learning.

CategoríaCloud / ML platforms
DificultadAvanzado
Tiempo de aprendizaje4-6 semanas
Official documentation

¿Qué puedes lograr con esta herramienta?

Los resultados prácticos que desbloquea.

  • Entrenar modelos en instancias con GPU sin administrar servidores manualmente
  • Desplegar modelos como endpoints de API listos para producción
  • Orquestar pipelines completos de ML dentro de AWS

Descripción

SageMaker es la plataforma administrada de AWS para machine learning de punta a punta: notebooks, entrenamiento distribuido, tuning de hiperparámetros, despliegue de endpoints y monitoreo de modelos, todo integrado con el resto de servicios de AWS.

Casos de uso

  • Entrenamiento de modelos en la nube con GPUs administradas
  • Despliegue de modelos como endpoints de producción
  • Pipelines de ML orquestados (SageMaker Pipelines)
  • Ajuste automático de hiperparámetros

Instalación

Instalarbash
pip install sagemaker

Ejemplo básico

Ejemplo básicopython
from sagemaker.sklearn.estimator import SKLearn

estimator = SKLearn(entry_point="train.py", role=role, instance_type="ml.m5.large")
estimator.fit({"train": "s3://bucket/train.csv"})

Ventajas y limitaciones

Ventajas

  • Cubre todo el ciclo de vida de ML dentro de un solo servicio
  • Escala de cómputo bajo demanda (incluyendo GPUs)
  • Integración profunda con el resto de AWS

Limitaciones

  • Costos pueden acumularse rápido si no se apagan recursos
  • Curva de aprendizaje considerable por la cantidad de componentes

Alternativas

Herramientas que resuelven un problema parecido de otra forma.