Conclusión

A medida que el machine learning pase de ser una disciplina de investigación a un campo aplicado, hemos observado un crecimiento anual del 25 por ciento en el desarrollo, la implementación y la operación de los proyectos de ML en varios sectores. El valor empresarial del aprendizaje automático se materializa a través day-to-day de las operaciones y los procesos de aprendizaje automático, que, a su vez, impulsan la investigación y el desarrollo de modelos y algoritmos de aprendizaje automático. Sin embargo, la implementación del ML en la producción presenta numerosos desafíos, ya que entrelaza actividades y artefactos muy diferentes, como la administración, el procesamiento, el análisis, el modelado, la verificación y la seguridad de los datos. Tras numerosas colaboraciones con AWS clientes en materia de IA y aprendizaje automático, nuestro equipo de ciencia de datos ha observado que uno de los principales desafíos es la falta de un end-to-end flujo de trabajo que proporcione un conjunto de plantillas para fusionar o separar de forma óptima las diferentes actividades y artefactos del aprendizaje automático. DevOps En esta guía, presentamos el flujo de trabajo de ML Max para abordar este problema urgente. ML Max proporciona step-by-step directrices y un conjunto de plantillas de programación. El objetivo es permitir una transición rápida y rentable de una fase de desarrollo de modelos interactivos a una configuración de canalización de ML completa y escalable que esté lista para la producción.