Desplegar modelos de aprendizaje automático (ML) en producción puede resultar complicado y costoso, especialmente para aquellos usuarios sin experiencia en ML y DevOps. Sin embargo, Amazon SageMaker Canvas ha presentado una solución accesible al simplificar la construcción de modelos a través de una interfaz de no-código. Esto permite a los usuarios generar modelos de ML altamente precisos utilizando sus fuentes de datos existentes, sin necesidad de codificación. No obstante, la creación del modelo es solo una parte del desafío; la implementación eficiente y económica es igual de fundamental.
Con el fin de abordar esta necesidad, Amazon ha lanzado SageMaker Serverless Inference, un servicio diseñado específicamente para gestionar cargas de trabajo con patrones de tráfico variables y períodos de inactividad. Este servicio gestiona automáticamente la provisión y escalado de la infraestructura según la demanda, lo que elimina la necesidad de gestionar servidores o preconfigurar la capacidad.
Para demostrar el proceso de tomar un modelo de ML creado en SageMaker Canvas y desplegarlo con SageMaker Serverless Inference, se ha desarrollado un flujo de trabajo que consta de varias etapas. Entre estas se incluyen la adición del modelo entrenado al registro de modelos de SageMaker y la creación de un endpoint sin servidor. Este enfoque permite una transición rápida desde la creación del modelo hasta la obtención de predicciones listas para producción, sin la necesidad de gestionar infraestructura.
Los requisitos previos para comenzar incluyen acceso a Amazon S3 y a Amazon SageMaker AI, así como un modelo de regresión o clasificación ya entrenado. A partir de ahí, el modelo se guarda en el registro de SageMaker y se aprueba para su despliegue. La creación de un nuevo modelo implica asignar un nombre, seleccionar el contenedor adecuado y agregar las variables de entorno necesarias. Posteriormente, se configura y finalmente se crea el endpoint.
Esta arquitectura permite a las empresas implementar modelos de ML de manera simplificada, facilitando que organizaciones de distintos tamaños y niveles técnicos aprovechen al máximo el potencial de la inteligencia artificial y el aprendizaje automático. Con estas herramientas, se minimiza la complejidad en la gestión de infraestructura, lo que permite a los equipos comenzar a recibir predicciones de manera efectiva y en un tiempo reducido.
