Amazon SageMaker
Plataforma administrada de AWS para todo el ciclo de vida de machine learning.
CategoríaCloud / ML platforms
DificultadAvanzado
Tiempo de aprendizaje4-6 semanas
¿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
pip install sagemakerEjemplo básico
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.