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, use oAWS Marketplacecriar algoritmos e modelos de machine learning (ML) e modelos no que os compradores podem implantarAWS. Existem dois tipos de Amazon SageMaker produtos listados emAWS Marketplace:

Pacote de modelos

Um modelo pré-treinado para fazer previsões que não exigem nenhum treinamento adicional 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 compradores por meio da Amazon SageMaker Console doAWS Marketplace. Os compradores podem revisar descrições de produtos, documentações, análises de clientes, definições de preços e informações de suporte. Quando eles assinam um produto de pacote de modelo ou produto de algoritmo, ele é adicionado à lista de produtos na SageMaker console do . Os compradores também podem usarAWSSDKs, oAWS Command Line Interface(AWS CLI), ou o SageMaker console para criar um endpoint de inferência REST totalmente gerenciado ou realizar inferência em lotes de dados.

Para obter suporte à criação de produtos de machine learning com a Amazon SageMaker, entre em contatoAWS MarketplaceOperações do vendedor.

Conceitos básicos de produtos de machine learning

AWS Marketplaceoferece suporte a dois tipos de produtos de aprendizado de máquina usando a Amazon SageMaker. Ambos os tipos, os produtos do pacote de modelos e os produtos do algoritmo, produzem um modelo de inferência implantável para fazer previsões.

SageMaker Pacote de modelos do

UmaAmazônia SageMaker Pacote de modelos doO produto contém um modelo pré-treinado. Modelos pré-treinados podem ser implantados em 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, faça o treinamento de um modelo usando o SageMaker ou traga seu próprio modelo.

SageMaker algoritmo

Os compradores podem usar umSageMakeralgoritmoproduto para realizar cargas de trabalho completas de aprendizado de máquina. Um produto de algoritmo tem dois componentes lógicos: treinamento e inferência. Dentro 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. SageMaker O salva os artefatos de modelos no bucket do Amazon Simple Storage Service (Amazon S3). Dentro SageMaker, os compradores podem então implantar seu componente de inferência junto com esses artefatos de modelo gerados para realizar inferência (ou previsão) em tempo real ou em lotes.

Implantando um modelo de inferência

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

  • Ponto final— Este método usa 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 SageMaker passa para o contêiner do modelo e retorna os resultados em uma resposta da API. O endpoint e o contêiner continuam funcionando até serem parados pelo comprador.

    nota

    DentroAWS Marketplace, o método endpoint é referido comoinferência em tempo reale no SageMaker documentação do, é chamado deserviços de hospedagem. Para obter mais informações, consulteImplantar um modelo na Amazon SageMaker.

  • Trabalho de transformação em lotes— Nesse método, um comprador armazena conjuntos de dados para inferência no Amazon S3. Quando o trabalho de transformação em lote for iniciado, SageMaker implanta o modelo, transmite dados de um bucket do S3 para o contêiner do modelo e, em seguida, retorna os resultados para um bucket do S3. Quando o trabalho for concluído, SageMaker interrompe 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 SageMakerpassa os dados para o modelo e retorna os resultados ao comprador.