Amazon ha lanzado una nueva herramienta, Amazon SageMaker Canvas, diseñada para mejorar la precisión y eficiencia en la creación y despliegue de modelos de predicción basados en series temporales. Esta herramienta sustituye a Amazon Forecast y ofrece diversas ventajas significativas en términos de rapidez, coste y transparencia.
Amazon Forecast fue lanzado en agosto de 2019 y utilizaba algoritmos de aprendizaje automático y estadísticos para generar previsiones de series temporales precisas. Sin embargo, los usuarios de Forecast han demandado mayor transparencia, menores costes y tiempos de entrenamiento más rápidos, lo que ha llevado al desarrollo y lanzamiento de SageMaker Canvas.
SageMaker Canvas ofrece hasta un 50% de mejora en el rendimiento del modelo y hasta un 45% en predicciones más rápidas en comparación con Forecast. Además, es significativamente más económico, ya que los costes se basan únicamente en los recursos de computación utilizados.
Los usuarios pueden optar por utilizar la interfaz visual de SageMaker Canvas para construir y desplegar modelos sin necesidad de conocimientos de programación o pueden interactuar de manera programática a través de APIs de aprendizaje automático automatizado (AutoML).
Entre las características avanzadas de SageMaker Canvas se incluye un tablero de clasificación de modelos y selección de algoritmos, lo que ofrece una mayor transparencia. Esto permite a los usuarios acceder directamente a los modelos entrenados y desplegarlos en el lugar de su elección, junto con numerosos informes de insights del modelo.
SageMaker Canvas permite entrenar un conjunto de modelos de predicción usando tanto algoritmos estadísticos como de redes neuronales. Además, facilita la integración de información externa mediante opciones de la UI o configuraciones de API, lo que simplifica la preparación de datos para la predicción.
Para facilitar la transición de Forecast a SageMaker Canvas, Amazon ha lanzado un paquete de transición que incluye un taller práctico y un cuaderno de Jupyter para transformar los conjuntos de datos de Forecast al formato de SageMaker Canvas. Las diferencias clave entre ambas plataformas incluyen los tipos de conjuntos de datos y la invocación del modelo.
Una vez que los datos se han transformado y organizado, los usuarios pueden cargar los conjuntos de datos en la aplicación SageMaker Canvas para entrenar, construir y desplegar el modelo para la inferencia. Los usuarios pueden generar y consumir previsiones mediante predicciones en la propia aplicación, exportarlas a Amazon QuickSight o desplegar el modelo en endpoints de SageMaker en tiempo real.
Amazon planea continuar innovando en SageMaker Canvas, mejorando la latencia, reduciendo costos de entrenamiento y predicción, y aumentando la precisión mediante la incorporación de nuevos algoritmos avanzados.
SageMaker Canvas está disponible en todas las regiones donde se encuentra SageMaker. Para más información sobre la disponibilidad regional, se puede consultar la página de AWS Services by Region.
vía: AWS machine learning blog
