Amazon ha dado un paso significativo en el ámbito de la inteligencia artificial al anunciar nuevas capacidades para su servicio Amazon SageMaker AI. La actualización más destacada es la incorporación de una opción sin servidor, que permite gestionar de forma dinámica la provisión de infraestructura, el escalado y las operaciones relacionadas con tareas de AI y aprendizaje automático. Esta funcionalidad innovadora ofrece la posibilidad de escalar los recursos durante fases de intensa experimentación y reducirlos a cero cuando no se necesitan, aliviando así la carga operativa de los usuarios.
Una de las características más relevantes es la gestión de acceso, que se facilita gracias a la administración de identidades y accesos de AWS (IAM), además de ofrecer actualizaciones automáticas de versiones e integración con las capacidades de SageMaker AI para personalización de modelos y creación de pipelines. Esto permite a los científicos de datos rastrear experimentos y evaluar el rendimiento de los modelos sin interrupciones en la infraestructura, aumentando la posibilidad de escalar cargas de trabajo en MLflow dentro de las organizaciones, manteniendo la seguridad y gobernanza.
El enfoque de MLflow, ahora llamado MLflow Apps, sustituye la terminología de servidores de seguimiento y presenta herramientas simplificadas para el acceso y administración de permisos. Al crear un dominio en SageMaker Studio, se provisiona automáticamente una aplicación MLflow por defecto, eliminando la necesidad de configuraciones adicionales y permitiendo el acceso automático a los recursos según sea necesario.
Adicionalmente, los administradores pueden configurar una ventana de mantenimiento al crear la aplicación, garantizando que las actualizaciones se realicen de manera continua y segura. Esta función es especialmente útil para mantener la aplicación actualizada y estandarizada, reduciendo el esfuerzo manual. Las nuevas capacidades son compatibles con la versión 3.4 de MLflow, ampliando su uso a aplicaciones de AI y cargas de trabajo generativas.
Otra novedad importante es la posibilidad de compartir aplicaciones MLflow entre diferentes cuentas de AWS mediante AWS Resource Access Manager (RAM). Esto brinda a los administradores la capacidad de gestionar su infraestructura de MLflow centralizadamente y facilitar el acceso a científicos de datos en distintas cuentas, favoreciendo la colaboración en el desarrollo de AI empresarial.
Por otro lado, las pipelines de SageMaker ahora están integradas con MLflow, permitiendo a los usuarios construir, ejecutar y monitorear flujos de trabajo de aprendizaje automático de manera intuitiva, ya sea mediante una interfaz gráfica o un SDK de Python. Si no existe una aplicación MLflow, se creará automáticamente al ejecutar una pipeline de SageMaker.
Finalmente, la personalización de modelos en SageMaker se conecta automáticamente con MLflow, simplificando el proceso de registro de métricas, parámetros y artefactos durante el ajuste fino de modelos.
En resumen, estas características de MLflow Apps en SageMaker AI están diseñadas para facilitar la gestión de cargas de trabajo de AI generativa a gran escala, reduciendo la complejidad administrativa y ofreciendo a las organizaciones mayor eficiencia y control en sus proyectos de aprendizaje automático. Las aplicaciones MLflow están disponibles en las regiones de AWS donde SageMaker Studio opera, exceptuando China y las regiones de US GovCloud.