GS Caltex lleva a producción modelos sin código de Canvas con SageMaker Pipelines
Hecho Qué ha ocurrido
GS Caltex, empresa surcoreana de energía y química, conecta modelos que sus ingenieros de procesos crean sin código en Amazon SageMaker Canvas con flujos de producción en SageMaker Pipelines. Según la empresa, el despliegue pasó de unla semana a unas pocas horas y la inferencia por lotes se ejecuta cada 30 minutos, lo que reduce la necesidad de endpoints en ejecución continua. Según la empresa, esto ha reducido de forma significativa sus costes de inferencia.
Resumen generado mediante IA a partir de AWS Machine Learning Blog (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Muestra un reparto de trabajo práctico entre perfiles de proceso y perfiles de ingeniería de ML para llevar modelos a producción. Para una empresa industrial, el valor está en reutilizar lo validado por los expertos sin rehacerlo en código.
- Quién se ve afectado
- Empresas industriales y de procesos con ingenieros de dominio y equipos de ML que quieran industrializar modelos.
- Qué puede cambiar
- El paso de un modelo validado a producción podría pasar de días de integración manual a un flujo automatizado, siempre que existan equipos de ingeniería que mantengan la canalización.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Conviene ver si las cifras de tiempo de despliegue y de coste se confirman con datos independientes y cómo evoluciona el mantenimiento de estos flujos cuando cambian los datos de origen.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: AWS Machine Learning Blog (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗SageMaker CanvasSageMaker PipelinesMLOpsinferencia por lotes GS CaltexAmazon Web Services AWS Corea del Sur GS Caltex MLOps SageMaker Canvas
Relacionadas
AWS integra SageMaker Canvas con Snowflake para flujos ML sin código
AWS ha publicado la segunda parte de un tutorial sobre cómo construir flujos de aprendizaje automático sin necesidad de escribir código, integrando SageMaker…
Por qué importaDemocratiza el acceso a modelos ML para analistas de negocio y expertos de dominio sin conocimientos de programación, acelerando el time-to-insight…
AWS amplía integración de SageMaker Canvas con QuickSight para ML sin código
AWS ha publicado la tercera entrega de su serie sobre workflows de ML sin código, que muestra cómo integrar predicciones de SageMaker Canvas (modelo de…
Por qué importaDemuestra cómo AWS cierra el ciclo de ML sin código desde datos hasta visualización empresarial, permitiendo a equipos sin expertise técnico profundo…
AWS integra SageMaker Canvas con Snowflake para ML sin código en datos empresariales
AWS publica un tutorial de tres partes mostrando cómo construir flujos de machine learning sin código utilizando Amazon SageMaker Canvas conectado a Snowflake…
Por qué importaDemocratiza el acceso a machine learning en organizaciones que ya invierten en Snowflake, permitiendo que analistas de negocio, propietarios de…
AWS lanza interfaz para optimizar despliegue de modelos de IA en SageMaker
AWS ha presentado una interfaz gráfica en Amazon SageMaker AI Studio para optimizar la inferencia de modelos generativos sin necesidad de código. Esta UI…
Por qué importaDemocratiza el despliegue eficiente de modelos IA en producción: equipos sin experiencia profunda en infraestructura pueden obtener configuraciones…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.