Amazon SageMaker
Plataforma de AWS para crear, entrenar y desplegar modelos de ML
SageMaker nació como una forma de ejecutar aprendizaje automático en AWS sin gestionar servidores. Los científicos de datos usan notebooks para preparar datos y escribir código, y luego entrenan modelos en una capacidad de cómputo gestionada que crece según haga falta. Una vez entrenado un modelo, SageMaker puede desplegarlo tras un endpoint, supervisar su rendimiento y gestionar las versiones, lo que convierte un experimento de notebook en un servicio de producción. Admite frameworks populares como PyTorch y TensorFlow.
El producto se ha ampliado. SageMaker AI cubre el entrenamiento y el despliegue de modelos, incluidos los modelos de base, con funciones para entrenamiento distribuido en clústeres grandes, fine-tuning y alojamiento de modelos abiertos. SageMaker Unified Studio es un entorno único para ingeniería de datos, análisis y trabajo con IA, y SageMaker Lakehouse reúne datos de S3, Redshift y otras fuentes bajo un único conjunto de permisos y gobernanza. Los pipelines, los feature stores y el seguimiento de experimentos apoyan a los equipos que construyen flujos de trabajo repetibles.
SageMaker se factura por uso de cómputo, almacenamiento y funciones gestionadas, y un nivel gratuito cubre pequeñas cantidades durante los primeros meses. Su amplitud es también su inconveniente: tantos servicios, ajustes y dimensiones de precio lo hacen complicado y facilitan gastar de más. Los equipos que ya están en AWS valoran la integración con IAM, S3 y los controles de seguridad. Google Vertex AI y Azure Machine Learning son competidores directos, mientras que Databricks es una alternativa habitual para equipos con muchos datos. Para llamar a modelos alojados sin gestionar el entrenamiento, Amazon Bedrock es más sencillo.