Las organizaciones que desarrollan modelos personalizados de aprendizaje automático enfrentan desafíos significativos al intentar satisfacer requisitos específicos, especialmente en sectores como la atención médica y las finanzas, donde la protección de datos y configuraciones de hardware optimizadas son cruciales. Las empresas buscan crear entornos de entrenamiento a medida que les permitan controlar la selección de hardware, software y seguridad, aunque esta tarea puede resultar compleja y costosa.
Para abordar estas necesidades, AWS ofrece soluciones como los «Deep Learning Containers» (DLC) y «MLflow gestionado» a través de Amazon SageMaker AI. Los DLC son contenedores de Docker preconfigurados que incluyen marcos populares como TensorFlow y PyTorch, optimizados para un rendimiento superior en AWS. También, proporcionan herramientas integradas para el entrenamiento y la inferencia, manteniéndose actualizados con las últimas versiones y parches.
El MLflow gestionado por SageMaker facilita el ciclo de vida del aprendizaje automático al registrar automáticamente experimentos, mejorar la comparación de modelos y rastrear la procedencia de manera integral. Estos servicios gestionados alivian la carga operativa de mantener una infraestructura de seguimiento adecuada.
La combinación de DLC y MLflow gestionado permite una fuerte gobernanza sobre el ML, adaptándose a requisitos especializados mientras reduce el tiempo y los recursos necesarios para la gestión del ciclo de vida. Por ejemplo, para implementar esta solución, un modelo de TensorFlow puede ser desarrollado para predecir la edad de abalones, integrando el seguimiento de MLflow. Se utiliza un contenedor de entrenamiento optimizado de TensorFlow del repositorio ECR de AWS y se configura una instancia EC2 con acceso al servidor de MLflow.
El proceso permite ejecutar entrenamientos en el DLC, almacenar artefactos en Amazon S3 y registrar resultados en MLflow. La interfaz de usuario de MLflow facilita el acceso y análisis de resultados, mejorando la comparación de modelos.
Finalmente, el modelo se registra automáticamente en el «Modelo Registry de Amazon SageMaker», estableciendo un seguimiento completo desde el experimento hasta el despliegue. Esta integración no solo proporciona visibilidad y cumplimiento durante todo el ciclo de vida, sino que también optimiza la gestión de modelos, permitiendo una gobernanza efectiva y la flexibilidad necesaria para la innovación.
