Produtos de machine learning - AWS Marketplace

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Produtos de machine learning

Como vendedor, useAWS Marketplacepara criar algoritmos e modelos de machine learning (ML) que seus compradores podem implantar noAWS. Existem dois tipos de produtos do Amazon SageMaker listados noAWS Marketplace:

Pacote de modelos do

Um modelo pré-treinado para fazer previsões que não exijam nenhum treinamento adicional por parte do comprador.

Algorithm

Um modelo que exige que o comprador forneça dados de treinamento antes de fazer previsões. O algoritmo de treinamento está incluído.

Esses produtos estão disponíveis para os compradores por meio do console do Amazon SageMaker ouAWS Marketplace. Os compradores podem revisar descrições de produtos, documentações, análises de clientes, definições de preços e informações de suporte. Quando eles se inscrevem em um produto de pacote de modelo ou produto de algoritmo, ele é adicionado à lista de produtos no console do SageMaker. Os compradores também podem usarAWSSDKs do, oAWS Command Line Interface(AWS CLI) ou o console do SageMaker para criar um endpoint de inferência REST totalmente gerenciado ou realizar inferência em lotes de dados.

Para suporte à criação de produtos de machine learning com Amazon SageMaker, entre em contato comAWS MarketplaceOperações do vendedor.

Conceitos básicos de produtos de machine learning

AWS Marketplacesuporta dois tipos de produtos de aprendizado de máquina, usando o Amazon SageMaker. Ambos os tipos, os produtos de pacote de modelo e os produtos de algoritmo, produzem um modelo de inferência implantável para fazer previsões.

Pacote do modelo SageMaker

UmaPacote modelo do Amazon SageMakercontém um modelo pré-treinado. Modelos pré-treinados podem ser implantados no SageMaker para fazer inferências ou previsões em tempo real ou em lotes. Este produto contém um componente de inferência treinado com artefatos de modelo, se houver. Como vendedor, você pode treinar um modelo usando o SageMaker ou trazer seu próprio modelo.

AlgoritSageMaker

Os compradores podem usar umAlgoritSageMakerpara executar cargas de trabalho completas de aprendizado de máquina. Um produto de algoritmo tem dois componentes lógicos: treinamento e inferência. No SageMaker, os compradores usam seus próprios conjuntos de dados para criar um trabalho de treinamento com seu componente de treinamento. Quando o algoritmo em seu componente de treinamento é concluído, ele gera os artefatos de modelo do modelo de aprendizado de máquina. O SageMaker salva os artefatos do modelo no bucket do Amazon Simple Storage Service (Amazon S3) dos compradores. No SageMaker, os compradores podem implantar seu componente de inferência junto com os artefatos de modelo gerados para executar inferência (ou previsão) em tempo real ou em lotes.

Implementação de um modelo de inferência

Se o modelo de inferência é criado a partir de um pacote de modelo ou de um algoritmo, existem dois métodos para implantá-los:

  • Endpoint— Esse método usa o SageMaker para implantar o modelo e criar um endpoint de API. O comprador pode usar esse endpoint como parte de seu serviço de back-end para alimentar seus aplicativos. Quando os dados são enviados para o endpoint, o SageMaker os passa para o contêiner do modelo e retorna os resultados em uma resposta da API. O endpoint e o contêiner continuam sendo executados até serem interrompidos pelo comprador.

    nota

    DentroAWS Marketplace, o método endpoint é referido comoinferência em tempo real, e na documentação do SageMaker, ele é referido comoServiços de hospedagem. Para obter mais informações, consulteImplemente um modelo no Amazon SageMaker.

  • Trabalho de transformação em Batch— Neste método, um comprador armazena conjuntos de dados para inferência no Amazon S3. Quando o trabalho de transformação em lote é iniciado, o SageMaker implanta o modelo, passa dados de um bucket do S3 para o contêiner do modelo e retorna os resultados para um bucket do S3. Quando o trabalho for concluído, o SageMaker interromperá o trabalho. Para obter mais informações, consulteObter inferências para um conjunto de dados inteiro com uma transformação em lote.

    nota

    Ambos os métodos são transparentes para o modelo porque o SageMaker passa dados para o modelo e retorna resultados para o comprador.