Amazon SageMaker
El taller de AWS para armar, entrenar y servir modelos de machine learning.
Amazon SageMaker es la plataforma de AWS para todo el ciclo de vida del machine learning: preparar datos, escribir y correr notebooks, entrenar un modelo en máquinas con GPU, y desplegarlo como un endpoint al que tu app puede llamar. Cada paso es una pieza administrada. Decís 'entrená este script en cuatro instancias con GPU', SageMaker las levanta, corre el trabajo, guarda el modelo en Amazon S3 y apaga las máquinas.
La diferencia con Amazon Bedrock es quién hace el modelo. Bedrock te da modelos fundacionales ya listos (Claude, Llama, los propios de Amazon) a través de una API. SageMaker es para cuando entrenás o ajustás el tuyo, sea un detector de fraude chico sobre datos tabulares o un modelo de visión a medida. SageMaker JumpStart queda en el medio: un catálogo de modelos abiertos que podés desplegar o ajustar en pocos clicks.
Ejemplo: un retailer quiere predecir qué clientes van a dejar de comprar. Una científica de datos explora los datos en un notebook de SageMaker, lanza un entrenamiento con XGBoost sobre las compras pasadas, compara algunos experimentos y despliega el mejor modelo a un endpoint en tiempo real. Cada noche un trabajo por lotes puntúa a todos los clientes y escribe el resultado en una tabla que lee marketing.
SageMaker creció hasta ser una familia grande (Studio, Pipelines, Feature Store, Model Monitor, Ground Truth para etiquetar). Nadie usa todo; la mayoría de los equipos arranca con notebooks, entrenamientos y endpoints.
Para quedarse
- Cubre preparación de datos, notebooks, entrenamiento, despliegue y monitoreo en un solo servicio administrado.
- Los entrenamientos levantan instancias con GPU solo mientras corren; los endpoints sirven predicciones por HTTPS.
- Bedrock es para usar modelos fundacionales existentes; SageMaker es para entrenar o ajustar los tuyos.
- JumpStart ofrece modelos abiertos listos para desplegar o ajustar.
