Flujos de trabajo de inferencias transductivas incrementales

Mientras actualiza los artefactos de modelos (para ello, vuelve a realizar los pasos del uno al tres [desde Configuración y exportación de datos hasta Transformación de modelos]), Neptune ML va admitiendo formas más sencillas de actualizar sus predicciones de ML por lotes con nuevos datos. Una opción es utilizar un flujo de trabajo de modelos incrementales, y otra consiste en utilizar el reentrenamiento de modelos con un inicio en caliente.

Flujo de trabajo de modelos incrementales

En este flujo de trabajo, se actualizan las predicciones de ML sin volver a entrenar el modelo de ML.

nota

Solo puede hacerlo cuando los datos del gráfico se hayan actualizado con nuevos nodos o bordes. Actualmente, no funcionará cuando se eliminen los nodos.

1. Configuración y exportación de datos: este paso es el mismo que en el flujo de trabajo principal.

2. Preprocesamiento incremental de datos: este paso es similar al paso de preprocesamiento de datos del flujo de trabajo principal, pero utiliza la misma configuración de procesamiento utilizada anteriormente, que corresponde a un determinado modelo entrenado.

3. Transformación de modelos: en lugar de un paso de entrenamiento del modelo, este paso de transformación del modelo extrae el modelo entrenado del flujo de trabajo principal y los resultados del paso de preprocesamiento incremental de datos, y genera nuevos artefactos de modelos para utilizarlos en la inferencia. El paso de transformación del modelo inicia un trabajo SageMaker de procesamiento para realizar el cálculo que genera los artefactos del modelo actualizado.

4. Actualizar el punto final de SageMaker inferencia de Amazon: si tiene un punto final de inferencia existente, este paso actualiza el punto final con los nuevos artefactos del modelo generados por el paso de transformación del modelo. Además, puede crear un nuevo punto de conexión de inferencia con los nuevos artefactos de modelos.

Reentrenamiento de modelos con un inicio en caliente

Con este flujo de trabajo, puede entrenar e implementar un nuevo modelo de ML para hacer predicciones con los datos de los gráficos incrementales, pero basándose en un modelo existente generado mediante el flujo de trabajo principal:

1. Configuración y exportación de datos: este paso es el mismo que en el flujo de trabajo principal.

2. Preprocesamiento incremental de datos: este paso es el mismo que en el flujo de trabajo de inferencia del modelo incremental. Los nuevos datos del gráfico deben procesarse con el mismo método de procesamiento que se utilizó anteriormente para el entrenamiento del modelo.

3. Entrenamiento de modelos con un inicio en caliente: el entrenamiento de modelos es similar a lo que ocurre en el flujo de trabajo principal, pero puede acelerar la búsqueda de hiperparámetros del modelo con el fin de sacar partido de la información de la tarea anterior de entrenamiento con modelos.

4. Actualizar el punto final de SageMaker inferencia de Amazon: este paso es el mismo que en el flujo de trabajo de inferencia del modelo incremental.