Amazon ha dado un paso adelante en el espacio de la inteligencia artificial y el aprendizaje automático (AI/ML) con nuevas capacidades para su servicio Amazon SageMaker AI. La compañía ha presentado una opción sin servidor que promete revolucionar la manera en que las empresas gestionan la infraestructura para el desarrollo de estos sistemas. Este innovador sistema permite ajustar los recursos durante las etapas de experimentación y dejarlos en cero cuando no se necesitan, reduciendo así la carga operativa para los usuarios.
Entre las mejoras más notables se incluye la gestión de acceso mediante la administración de identidades y accesos de AWS (IAM), la actualización automática de versiones y la integración con las capacidades existentes de SageMaker AI para la personalización de modelos. Todo ello garantiza que los científicos de datos puedan seguir los experimentos y evaluar el rendimiento de los modelos sin interrupciones, manteniendo la seguridad y gobernanza adecuadas.
Una de las novedades más significativas es el cambio en la terminología y funcionalidad de MLflow, ahora denominado MLflow Apps. Este nuevo enfoque ofrece herramientas simplificadas para la administración de permisos y acceso. Cada vez que se crea un dominio en SageMaker Studio, una aplicación MLflow se provisiona automáticamente, eliminando cualquier necesidad de configuración adicional y facilitando el acceso a recursos según se necesiten.
Los administradores tienen la opción de establecer ventanas de mantenimiento durante la creación de la aplicación, lo cual garantiza actualizaciones seguras y continuas, simplificando el esfuerzo manual de mantenimiento. Con la versión 3.4 de MLflow compatible con este lanzamiento, las nuevas capacidades se extienden a aplicaciones de AI y cargas de trabajo generativas.
Además, gracias a AWS Resource Access Manager (RAM), es posible compartir aplicaciones MLflow entre distintas cuentas AWS, lo que ofrece a los administradores de plataformas la capacidad de gestionar infraestructuras de MLflow de manera centralizada. Esto permite una colaboración más efectiva en el desarrollo de AI a nivel empresarial.
Las pipelines de SageMaker, ahora integradas con MLflow, permiten la construcción, ejecución y monitorización de flujos de trabajo de manera intuitiva, ya sea a través de una interfaz gráfica o mediante un SDK de Python. Además, si no existe una aplicación MLflow, esta se creará automáticamente al ejecutar una pipeline de SageMaker, garantizando la continuidad del proceso.
La personalización de modelos también se conecta automáticamente con MLflow, simplificando el log de métricas, parámetros y artefactos durante el ajuste de modelos, lo que mejora aún más la eficiencia operativa y permite a las organizaciones centrarse en sus proyectos de aprendizaje automático sin preocuparse por la complejidad administrativa.
En conclusión, las nuevas características de MLflow Apps en SageMaker AI están diseñadas para facilitar la adopción y gestión de cargas de trabajo de ML y AI generativa a gran escala, reduciendo la complejidad administrativa y ofreciendo a las organizaciones mayor control y eficiencia en sus proyectos de aprendizaje automático. Estas mejoras están disponibles en las regiones de AWS donde opera SageMaker Studio, con excepciones en China y las regiones de US GovCloud.
