Amazon ha revolucionado su servicio Amazon SageMaker AI con la incorporación de nuevas capacidades que prometen dinamizar la infraestructura destinada a la inteligencia artificial y el aprendizaje automático. Este avance introduce una opción sin servidor que permite escalar recursos durante etapas intensivas de experimentación y reducirlos completamente cuando no son necesarios, alivianando así la carga operativa de los usuarios.
El anuncio destaca la integración de la gestión de acceso seamless a través de la administración de identidades y accesos de AWS (IAM). Además, se han implementado actualizaciones automáticas que permiten una personalización eficiente de modelos y la creación de pipelines dentro de SageMaker AI. Ahora, los científicos de datos pueden rastrear experimentos y evaluar modelos sin preocuparse por la infraestructura, lo que facilita una escalabilidad fluida de las cargas de trabajo con MLflow, manteniendo siempre un enfoque en seguridad y gobernanza.
Un cambio significativo es la reestructuración de MLflow, que ahora se denomina MLflow Apps. Esta nueva nomenclatura ofrece herramientas simplificadas para accesos y gestión de permisos. Al establecer un dominio en SageMaker Studio, se crea automáticamente una aplicación MLflow, eliminando procesos de configuración adicional y permitiendo el acceso inmediato a los recursos necesarios.
Otra mejora relevante es la posibilidad de programar ventanas de mantenimiento durante la creación de aplicaciones, asegurando que las mismas se actualicen de forma continua y segura. La versión 3.4 de MLflow es compatible con estas actualizaciones, extendiendo sus capacidades a aplicaciones de IA y cargas de trabajo generativas.
Una característica destacada es la función que permite compartir aplicaciones MLflow a través de distintas cuentas de AWS, usando AWS Resource Access Manager (RAM). Esto permite gestionar la infraestructura de manera centralizada y facilita la colaboración entre científicos de datos en diversas cuentas de AWS, impulsando así el desarrollo colaborativo de inteligencia artificial.
Las pipelines de SageMaker ahora están estrechamente integradas con MLflow, lo que simplifica la construcción, ejecución y monitoreo de flujos de trabajo de aprendizaje automático mediante interfaces gráficas o SDK de Python. En caso de no existir una aplicación MLflow, esta se creará automáticamente al ejecutar una pipeline de SageMaker.
Finalmente, la personalización de modelos en SageMaker se integra automáticamente con MLflow, optimizando el registro de métricas, parámetros y artefactos durante el proceso de ajuste fino de modelos.
Estas innovaciones en MLflow Apps dentro de SageMaker AI están diseñadas para facilitar la gestión de grandes cargas de trabajo de aprendizaje automático y AI generativa, ofreciendo a las organizaciones una mayor eficiencia y control en sus proyectos. Las aplicaciones MLflow están disponibles en las regiones operativas de AWS donde funciona SageMaker Studio, con la excepción de China y las regiones de US GovCloud.
