Amazon SageMaker ha presentado una nueva funcionalidad que promete facilitar la gestión y gobernanza de modelos de aprendizaje automático (ML) en entornos corporativos. La integración reciente de SageMaker Model Cards con SageMaker Model Registry permite a los usuarios registrar modelos de ML de manera más fluida y transparente, simplificando así la administración de la información de gobernanza para versiones específicas de los modelos con solo unos clics.
Las tarjetas de modelo, conocidas como Model Cards, son un componente esencial para los modelos de ML registrados. Proporcionan una forma estandarizada de documentar y comunicar metadatos clave del modelo, incluyendo uso previsto, rendimiento, riesgos, e información de negocio. Esta transparencia es particularmente crucial en industrias reguladas o de alto riesgo como los servicios financieros y la salud, donde los modelos despliegan un papel crítico en la toma de decisiones.
Con el objetivo de refinar las soluciones empresariales mediante modelos de ML, los usuarios a menudo necesitan registrar múltiples versiones de un modelo en el SageMaker Model Registry para identificar el candidato más adecuado. Sin embargo, la asociación clara de tarjetas de modelo con versiones específicas había sido un desafío, debido a la falta de una experiencia de usuario unificada y a los complicados procesos de integración personalizados que implicaba.
La unificación de las tarjetas de modelo con el registro de modelos de SageMaker ahora permite a arquitectos, científicos de datos e ingenieros de ML registrar versiones de modelos de ML desde las primeras etapas del desarrollo, incluyendo detalles comerciales esenciales y metadatos técnicos. Este enfoque integrado mejora la transparencia y agiliza el despliegue de modelos en los entornos de producción, una vez que se obtiene la aprobación de los oficiales de gobernanza.
Además, la integración con Amazon DataZone complementa esta capacidad, facilitando la colaboración entre constructores de ML e ingenieros de datos al unificar la gobernanza de datos y activos de ML. Los constructores de ML pueden solicitar acceso a datos, y tras la aprobación, pueden utilizarlos para crear características del modelo, compartir y publicar modelos para su uso empresarial.
La arquitectura presentada para la gobernanza unificada abarca todo el ciclo de vida del ML de manera escalable, desde la creación de la solución de ML hasta la validación y monitoreo post-producción. Los componentes de esta arquitectura incluyen herramientas de gobernanza de IA, servicios compartidos de ML y fases aisladas para el desarrollo y la producción de ML, todas diseñadas para optimizar la eficiencia organizacional al tiempo que cumplen con estándares éticos y legales.
Amazon SageMaker, mediante esta innovación, refuerza el compromiso con la mejora de la eficiencia y la justificación de los sistemas de ML, promoviendo iniciativas alineadas con los objetivos estratégicos de negocio y maximizando su impacto y valor.
vía: AWS machine learning blog
