Las organizaciones que desarrollan modelos de aprendizaje automático (ML) personalizados a menudo enfrentan desafíos que las plataformas estándar no pueden resolver. En particular, el sector de la atención médica necesita entornos que aseguren la protección de los datos de los pacientes y cumplan con la normativa HIPAA. Por su parte, las instituciones financieras requieren configuraciones de hardware específicas para optimizar algoritmos de trading, mientras que los equipos de investigación buscan flexibilidad para experimentar con técnicas de vanguardia. Estas demandas especializadas impulsan a las empresas a crear entornos de entrenamiento a medida, lo que les otorga control sobre el hardware, software y configuraciones de seguridad.
Sin embargo, la creación de estos entornos a la medida conlleva desafíos significativos en la gestión del ciclo de vida del aprendizaje automático. Las organizaciones suelen intentar resolver estos problemas desarrollando herramientas personalizadas adicionales o utilizando soluciones de código abierto, lo que incrementa los costos operativos y consume recursos de ingeniería que podrían ser mejor empleados en otras áreas.
Para lidiar con estas necesidades, AWS ha introducido soluciones como los «Deep Learning Containers» (DLC) y «MLflow gestionado» a través de Amazon SageMaker AI. Los DLC son contenedores de Docker preconfigurados que incluyen marcos como TensorFlow y PyTorch, además de controladores NVIDIA CUDA para soporte de GPU. Estos contenedores están optimizados para un alto rendimiento en AWS, actualizados con las últimas versiones y parches, y se integran con otros servicios de AWS para el entrenamiento y la inferencia.
Por otro lado, el MLflow gestionado por SageMaker proporciona una gestión del ciclo de vida del aprendizaje automático que facilita el registro automático de experimentos, la comparación de modelos y un seguimiento completo de la procedencia. Al ser un servicio completamente gestionado, alivia la carga operativa de mantener la infraestructura.
La combinación de DLC y MLflow gestionado permite a los equipos no solo cumplir con los requisitos de infraestructura, sino también establecer una sólida gobernanza sobre el aprendizaje automático. Esta integración permite adaptarse a necesidades especializadas, al tiempo que reduce significativamente el tiempo y los recursos dedicados a la gestión del ciclo de vida del ML.
Para implementar esta solución, se debe desarrollar un modelo de red neuronal en TensorFlow para predecir la edad de abalones, incorporando el seguimiento de MLflow. Luego, se extraerá un contenedor de entrenamiento optimizado del repositorio público de ECR de AWS y se configurará una instancia EC2 con acceso al servidor de seguimiento de MLflow. Posteriormente, la formación se llevará a cabo en el DLC, almacenando los artefactos del modelo en Amazon S3 y registrando los resultados del experimento en MLflow. El acceso y análisis de estos resultados se realizará a través de la interfaz de usuario de MLflow, facilitando la comparación del rendimiento de los modelos.
El modelo resultante será registrado automáticamente en el «Modelo Registry de Amazon SageMaker», permitiendo el seguimiento completo desde el experimento hasta el modelo desplegado. Esta auditoría vincula directamente los entrenamientos a los modelos en producción, aportando visibilidad y cumplimiento a lo largo del ciclo de vida del aprendizaje automático, al tiempo que optimiza la gestión de modelos y favorece la flexibilidad necesaria para la innovación.
