Amazon ha lanzado recientemente Amazon SageMaker Canvas, una herramienta diseñada para optimizar la precisión y eficiencia en la creación y despliegue de modelos de predicción basados en series temporales. Esta innovación busca reemplazar Amazon Forecast, respondiendo a las crecientes demandas de los usuarios por mayor transparencia, menores costes y tiempos de entrenamiento más rápidos.
Lanzado en agosto de 2019, Amazon Forecast se destacó por su uso de algoritmos de aprendizaje automático y técnicas estadísticas para generar previsiones precisas. Sin embargo, la necesidad de mejoras ha llevado al desarrollo de SageMaker Canvas, que promete hasta un 50% de mejora en el rendimiento del modelo y un 45% en la rapidez de las predicciones comparado con Forecast. Además, ofrece una reducción significativa de los costes, ya que estos se basan en los recursos de computación utilizados.
SageMaker Canvas permite a los usuarios construir y desplegar modelos a través de una interfaz visual intuitiva, eliminando la necesidad de conocimientos en programación. Alternativamente, los usuarios pueden interactuar programáticamente mediante APIs de aprendizaje automático automatizado (AutoML).
La herramienta introduce características avanzadas como un tablero de clasificación de modelos y selección de algoritmos, lo cual aporta una mayor transparencia al proceso. Esto se traduce en un acceso directo a los modelos entrenados, facilitando su despliegue y proporcionando informes detallados de insights del modelo.
Entre otras mejoras, SageMaker Canvas permite el entrenamiento de modelos de predicción utilizando tanto algoritmos estadísticos como de redes neuronales. Además, facilita la integración de información externa mediante opciones de la UI o configuraciones de API, simplificando la preparación de datos.
Para asegurar una transición sin problemas desde Forecast, Amazon ha incluido un paquete de transición con un taller práctico y un cuaderno de Jupyter para transformar conjuntos de datos al formato de SageMaker Canvas. Las principales diferencias entre ambas plataformas residen en los tipos de conjuntos de datos y la invocación del modelo.
Una vez transformados y organizados los datos, los usuarios pueden cargar los conjuntos en SageMaker Canvas para entrenar, construir y desplegar el modelo. Las previsiones generadas se pueden consumir directamente en la aplicación, exportarlas a Amazon QuickSight o desplegar el modelo en endpoints de SageMaker en tiempo real.
Amazon planea seguir innovando en SageMaker Canvas para mejorar la latencia, reducir costos de entrenamiento y predicción, y aumentar la precisión mediante la incorporación de nuevos algoritmos avanzados. SageMaker Canvas está disponible en todas las regiones donde se encuentra SageMaker. Para detalles específicos sobre la disponibilidad, se puede consultar la página de AWS Services by Region.
