Amazon SageMaker ha lanzado un nuevo SDK de Python que promete transformar la interacción con sus servicios, gracias a una interfaz unificada y orientada a objetos. Esta actualización busca mejorar notablemente la experiencia de los usuarios, especialmente de aquellos que trabajan en el ámbito del aprendizaje automático. A través del nuevo SDK de bajo nivel, conocido como SageMaker Core, los ingenieros tienen ahora un acceso más completo a las características y configuraciones del servicio. Además, se ha diseñado una capa de abstracción avanzada que facilita el uso para científicos de datos con menos experiencia en la plataforma de AWS, escondiendo las complejidades inherentes a la infraestructura.
La reestructuración del SDK se presenta en dos partes. La primera parte se centra en la nueva clase ModelTrainer, que optimiza el proceso de entrenamiento de modelos al superar a la antigua clase Estimator. Esta innovación permite a los usuarios gestionar configuraciones a través de unos pocos parámetros esenciales, disminuyendo la carga cognitiva y permitiendo un foco más directo en el entrenamiento de modelos.
Entre las ventajas de este nuevo enfoque se incluyen una facilidad de uso mejorada y una transición más suave del desarrollo local al entrenamiento en la nube. ModelTrainer permite estrategias de entrenamiento distribuido más flexibles mediante comandos personalizados en contenedores, gracias al parámetro command en SourceCode. Además, se mejora la gestión de hiperparámetros, que ahora pueden ser pasados como una única variable de entorno.
ModelTrainer también ofrece pre-configuraciones como la URI de la imagen de entrenamiento y la detección automática de sesiones de SageMaker y roles de IAM. Para facilitar la experimentación, admite además trabajos locales mediante un ajuste simple en el parámetro del modo de entrenamiento. Esto es especialmente útil para usuarios que buscan realizar pruebas rápidas antes de migrar al entorno de producción en la nube.
Emplear ModelTrainer en la práctica permite iniciar trabajos de entrenamiento con soluciones personalizadas y utilizar objetos de configuración para generar múltiples trabajos de entrenamiento. Asimismo, facilita la modificación de hiperparámetros sin necesidad de redefinir parámetros existentes, y admite fácilmente trabajos de entrenamiento distribuido mediante herramientas como torchrun y MPI, técnicas cruciales para el aprendizaje profundo.
El nuevo ModelTrainer está configurado para mejorar la experiencia del desarrollador, ya que no solo simplifica configuraciones, sino que también permite personalizaciones complejas, tales como el uso de contenedores propios y entrenamientos distribuidos. AWS invita a los usuarios a explorar estas capacidades mediante la documentación del SDK y ejemplos de cuadernos disponibles en GitHub.
En la segunda parte de esta serie de artículos, se explorará la nueva clase ModelBuilder, enfocada en la construcción y el despliegue de modelos. Shweta Singh, Gerente de Producto Sénior de SageMaker en AWS, ha indicado que esta renovación busca no solo mejorar la eficiencia en procesos de AI/ML, sino también simplificar la experiencia del usuario al incorporar características avanzadas sin costos adicionales.
