Enquanto o foco no cenário de IA generativa na AWS tem se concentrado principalmente no Amazon Bedrock ao longo do último ano, o Amazon SageMaker continua sendo um ativo vital, oferecendo funcionalidades essenciais para machine learning. Lançado em 2017, o Amazon SageMaker facilita todo o ciclo de vida do machine learning—desde a criação e treinamento de modelos até a implantação e gestão em grande escala. Ele proporciona um ambiente gerenciado abrangente com ferramentas que permitem que os clientes construam, treinem e implementem modelos de machine learning e deep learning. Centenas de milhares de usuários confiam no SageMaker para tarefas como o treinamento de modelos generativos populares e a gestão de cargas de trabalho de machine learning. Aplicações notáveis incluem o treinamento do Stable Diffusion da Stability AI e a alimentação do gerador de texto para vídeo Dream Machine da Luma.
A AWS está aprimorando ainda mais o SageMaker com a disponibilidade geral do serviço gerenciado MLflow. O MLflow, uma plataforma de código aberto, simplifica o ciclo de vida do machine learning, cobrindo experimentação, reprodutibilidade, implantação e monitoramento de modelos de ML. Ao integrar o MLflow como um serviço gerenciado dentro do SageMaker, a AWS capacita os usuários a criar a próxima geração de modelos de IA com mais eficiência.
"Considerando o ritmo acelerado da inovação, nossos clientes querem transitar rapidamente da experimentação para a produção, acelerando seu tempo no mercado," afirmou Ankur Mehrotra, Diretor e Gerente Geral do Amazon SageMaker na AWS. "Estamos lançando o MLflow como uma capacidade gerenciada no SageMaker, permitindo que os usuários configurem e iniciem o MLflow em poucos cliques."
O que o MLflow Oferece aos Usuários da AWS
O MLflow é amplamente adotado entre desenvolvedores e organizações para MLOps. Mehrotra enfatizou que o novo serviço gerenciado amplia a escolha para usuários empresariais sem comprometer as funcionalidades existentes. Ao fornecer o MLflow como uma solução totalmente gerenciada integrada ao SageMaker, a AWS atende as necessidades de usuários que buscam uma experiência contínua em ambas as plataformas. "À medida que eles iteram em seus modelos, podem facilmente registrar métricas no MLflow, acompanhar e comparar diferentes iterações," explicou Mehrotra. "Eles podem então registrar esses modelos em um registro de modelos e implantá-los com facilidade."
O serviço gerenciado MLflow está profundamente integrado com os componentes existentes do SageMaker, garantindo que as ações dentro do MLflow sincronizem automaticamente com serviços do SageMaker, como o Registro de Modelos. "Construímos isso para integrar-se perfeitamente com as capacidades do SageMaker, seja no treinamento, na implantação ou na hospedagem de modelos, proporcionando aos clientes uma experiência coesa com o MLflow," acrescentou Mehrotra.
Várias organizações, incluindo o provedor de hospedagem GoDaddy e a Toyota Connected, uma subsidiária da Toyota Motor Corporation, já exploraram o serviço gerenciado durante sua fase beta.
SageMaker e Bedrock: Serviços Complementares
Enquanto o Amazon SageMaker se concentra no ciclo de vida completo do machine learning, a AWS apresentou recentemente o Amazon Bedrock para o desenvolvimento de aplicações de IA generativa. Mehrotra esclareceu o papel do SageMaker dentro desse ecossistema de IA: "O SageMaker é projetado para construir, treinar e implantar modelos, enquanto o Bedrock se destaca na criação de aplicações de IA generativa," afirmou. "Muitos clientes utilizam tanto o SageMaker quanto o Bedrock, juntamente com outros serviços, para desenvolver suas soluções de IA generativa."
Isso possibilita que os desenvolvedores criem modelos no SageMaker e os implantem em aplicações de IA via Bedrock, aproveitando suas capacidades serverless—evoluindo esses serviços em elementos complementares das ofertas de IA generativa da AWS.
Foco Futuro do Amazon SageMaker
Olhando adiante, Mehrotra compartilhou as principais prioridades que guiarão o roadmap do produto Amazon SageMaker. Um foco principal é escalar e otimizar custos, ao mesmo tempo em que simplifica o processo de desenvolvimento para os clientes. "Nosso objetivo é reduzir o trabalho pesado e não diferenciado para os clientes enquanto eles constroem novas soluções de IA. Esperem ver mais capacidades que permitam aos clientes criar e lançar essas soluções mais rapidamente," concluiu.
Esse foco estratégico posiciona o Amazon SageMaker como um jogador crucial no avanço do cenário de machine learning e IA generativa.
Classificação
