Machine learning sin código con Amazon SageMaker Canvas

Amazon SageMaker Canvas le permite crear sus propios modelos de inteligencia artificial y machine learning sin tener que escribir una sola línea de código. Puede crear modelos de machine learning para casos de uso comunes, como la regresión y la previsión, y puede acceder a los modelos fundacionales (FM) de Amazon Bedrock y evaluarlos. También puede acceder a los modelos fundacionales públicos desde Amazon SageMaker JumpStart para generar contenido, extraer texto y resumirlo a fin de admitir las soluciones de IA generativa.

Cómo crear modelos de machine learning sin código con SageMaker Canvas

Amazon DocumentDB ahora se integra con Amazon SageMaker Canvas para permitir el machine learning (ML) sin código con los datos almacenados en Amazon DocumentDB. Ahora puede crear modelos de machine learning para las necesidades de regresión y previsión y utilizar modelos fundacionales para resumir y generar contenido con datos almacenados en Amazon DocumentDB sin necesidad de escribir una sola línea de código.

SageMaker Canvas proporciona una interfaz visual que permite a los clientes de Amazon DocumentDB generar predicciones sin necesidad de conocimientos de inteligencia artificial o machine learning ni escribir una sola línea de código. Los clientes ahora pueden lanzar el espacio de trabajo de SageMaker Canvas desde la AWS Management Console, importar y unir datos de Amazon DocumentDB para la preparación de datos y el entrenamiento del modelo. Los datos de Amazon DocumentDB ahora se pueden usar en SageMaker Canvas para crear y aumentar modelos con el fin de predecir la rotación de clientes, detectar fraudes, predecir fallos de mantenimiento, pronosticar métricas empresariales y generar contenido. Los clientes ahora pueden publicar y compartir información basada en el machine learning entre los equipos mediante la integración nativa de SageMaker Canvas con Amazon QuickSight. Las canalizaciones de ingesta de datos de SageMaker Canvas se ejecutan en instancias secundarias de Amazon DocumentDB de forma predeterminada, lo que garantiza que el rendimiento de las cargas de trabajo de ingesta de aplicaciones y SageMaker Canvas no se vea afectado.

Para que los clientes de Amazon DocumentDB empiecen a utilizar SageMaker Canvas, pueden acceder a la nueva página de la consola de machine learning sin código de Amazon DocumentDB y conectarse a espacios de trabajo de SageMaker Canvas nuevos o disponibles.

Configuración del dominio y del perfil de usuario de SageMaker

Puede conectarse a clústeres de Amazon DocumentDB desde los dominios de SageMaker que se ejecutan en modo VPC únicamente. Al lanzar un dominio de SageMaker en su VPC, puede controlar el flujo de datos de sus entornos de SageMaker Studio y Canvas. Esto le permite restringir el acceso a Internet, supervisar e inspeccionar el tráfico mediante capacidades de red y seguridad estándar de AWS y conectarse a otros recursos de AWS a través de puntos de conexión de VPC. Consulte Amazon SageMaker Canvas Getting started y Configure Amazon SageMaker Canvas in a VPC without internet access, que se encuentran en la Guía para desarrolladores de Amazon SageMaker, para crear su dominio de SageMaker y conectarlo al clúster de Amazon DocumentDB.

Configuración de los permisos de acceso de IAM para Amazon DocumentDB y SageMaker Canvas

Un usuario de Amazon DocumentDB que haya asociado AmazonDocDBConsoleFullAccess a su rol e identidad asociados puede acceder a la AWS Management Console. Agregue las siguientes acciones al rol o la identidad antes mencionados para proporcionar acceso al machine learning sin código con Amazon SageMaker Canvas.

"sagemaker:CreatePresignedDomainUrl",
"sagemaker:DescribeDomain",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles"

Creación de usuarios y roles de bases de datos para SageMaker Canvas

Puede restringir el acceso a las acciones que los usuarios pueden hacer en bases de datos mediante el control de acceso basado en roles (RBAC) en Amazon DocumentDB. RBAC funciona otorgando uno o más roles a un usuario. Estos roles determinan las operaciones que un usuario puede realizar en los recursos de la base de datos.

Como usuario de Canvas, se conecta a una base de datos de Amazon DocumentDB con credenciales de nombre de usuario y contraseña. Puede crear un usuario o rol de base de datos para un usuario de Canvas que tenga acceso de lectura a las bases de datos específicas mediante la funcionalidad de RBAC de Amazon DocumentDB.

Por ejemplo, utilice la operación createUser:

db.createUser({
user: "canvas_user", 
pwd: "<insert-password>", 
roles: [{role: "read", db: "sample-database-1"}]
})

Esto crea un canvas_user que tiene permisos de lectura en la base de datos sample-database-1. Los analistas de Canvas pueden utilizar esta credencial para acceder a los datos del clúster de Amazon DocumentDB. Consulte Acceso a la base de datos mediante el control de acceso basado en roles para obtener más información.

Regiones disponibles

La integración sin código está disponible en las regiones en las que se admiten Amazon DocumentDB y Amazon SageMaker Canvas. Las regiones son:

• us-east-1 (Norte de Virginia)

• us-east-2 (Ohio)

• us-west-2 (Oregón)

• ap-northeast-1 (Tokio)

• ap-northeast-2 (Seúl)

• ap-south-1 (Mumbai)

• ap-southeast-1 (Singapur)

• ap-southeast-2 (Sídney)

• eu-central-1 (Fráncfort)

• eu-west-1 (Irlanda)

Consulte Amazon SageMaker Canvas en la Guía para desarrolladores de Amazon SageMaker para conocer la disponibilidad regional más reciente.