AWS Primeros Pasos
IdiomaEspañol
Machine Learning

ML sin código con Amazon SageMaker Canvas - Construcción de modelos predictivos con interfaz visual

Una herramienta visual para construir modelos ML sin escribir código. Simplemente suba un CSV y seleccione un objetivo de predicción para construir un modelo, con compartición bidireccional con Studio.

Unos 7 min de lectura

Descripción general de SageMaker Canvas

SageMaker Canvas es una interfaz visual para construir modelos ML y ejecutar predicciones sin escribir código. Mientras que SageMaker Studio es un IDE para científicos de datos, Canvas es una herramienta que permite a analistas de negocio y no ingenieros aprovechar el ML. Puede construir un modelo subiendo un archivo CSV y seleccionando la columna que desea predecir. Las fuentes de datos incluyen archivos CSV en S3 así como conexiones directas a Redshift, Athena y Snowflake, por lo que puede usar los datos de almacenes de datos existentes para el análisis.

Construcción de modelos y predicción

Después de importar un conjunto de datos y seleccionar la columna objetivo de predicción, Canvas realiza automáticamente análisis de datos, ingeniería de características, selección de algoritmos y optimización de hiperparámetros. Para la predicción numérica y categórica, el tiempo medio de construcción es de 2-20 minutos con Quick Build y de 2-4 horas con Standard Build, y Standard Build generalmente tiene mayor precisión. Canvas utiliza AutoML para construir hasta 250 modelos con múltiples algoritmos (regresión lineal, XGBoost, Deep Learning, etc.) y elegir el que mejor rendimiento ofrece. Puede ejecutar predicciones con nuevos datos usando el modelo construido y descargar resultados como CSV. Además de predicciones por lotes, soporta predicciones de registro individual (análisis What-if), permitiendo cambiar valores de características y comprobar cómo cambian las predicciones. Los modelos Ready-to-use permiten usar modelos Bedrock preentrenados directamente desde Canvas, habilitando análisis de sentimiento y resumen de texto.

Compartición de modelos y reentrenamiento automático

Los modelos construidos en Canvas pueden compartirse con SageMaker Studio, donde los científicos de datos pueden realizar ajuste detallado y evaluación usando código Python. A la inversa, los modelos avanzados construidos en Studio pueden importarse a Canvas, permitiendo a analistas de negocio ejecutar predicciones a través de la GUI. Programar el reentrenamiento automático actualiza los modelos con nuevos datos. Canvas soporta tipos de problemas de predicción de series temporales, clasificación, regresión, clasificación de imágenes y clasificación de texto, y recomienda tipos de modelo cuando usted empieza a construir un modelo.

Casos de uso y patrones de adopción

Un uso de Canvas es en departamentos que han acumulado datos pero carecen de personal de ciencia de datos. En un equipo de marketing que construye un modelo de predicción de abandono de clientes, el equipo sube un CSV de atributos de clientes exportado del CRM (duración del contrato, frecuencia de uso, número de tickets de soporte, etc.) y especifica la "bandera de abandono" como columna objetivo para construir un modelo de predicción de abandono. En predicción de calidad de manufactura, se ingieren datos de sensores de series temporales para predecir la ocurrencia de defectos y mejorar el rendimiento. En pronóstico de demanda minorista, el modo de predicción de series temporales de Canvas pronostica cantidades de venta por SKU para optimización de inventario. Un patrón de adopción es un flujo de tres etapas: primero validar hipótesis con Canvas (confirmar viabilidad del modelo con Quick Build), si la precisión parece prometedora compartir a Studio para ajuste por científicos de datos, y finalmente desplegar como SageMaker Endpoint para producción.

Cuándo usar Canvas vs. SageMaker Studio Notebooks

Canvas y Studio Notebooks se diferencian por usuario objetivo y el equilibrio libertad-versus-automatización. Canvas es una herramienta sin código para la validación que realiza automáticamente el preprocesamiento de características, la selección de algoritmos y la optimización de hiperparámetros. En Studio Notebooks, puede especificar con Python/R el preprocesamiento personalizado, la implementación de algoritmos propietarios, el entrenamiento distribuido y la selección de GPU. Las limitaciones de Canvas incluyen la imposibilidad de inyectar algoritmos personalizados, control limitado sobre la lógica de transformación de características y acceso restringido a salidas intermedias del modelo (más allá de la importancia de características). Por lo tanto, una forma de dividir el trabajo es Canvas para las tareas donde la precisión de AutoML es suficiente y Studio Notebooks para las tareas que requieren enfoques de investigación novedosos. Una opción es transferir el modelo a Studio cuando los resultados de Quick Build de Canvas muestran una precisión insuficiente pero una dirección prometedora.

Precios de Canvas

Los cargos de sesión de Canvas se basan en el tiempo de uso del espacio de trabajo. El entrenamiento de modelos se cobra por separado según el tiempo de entrenamiento y tipo de instancia. Puede usar Quick Build para análisis exploratorio, mientras que Standard Build generalmente produce modelos de mayor precisión. Si Quick Build alcanza precisión suficiente, omitir Standard Build reduce los costos de entrenamiento. Cierre sesión durante períodos inactivos para detener los cargos de sesión. Los modelos Ready-to-use (análisis de sentimiento, extracción de texto) pueden usarse sin entrenamiento adicional, eliminando costos de entrenamiento. Canvas mantiene instancias en segundo plano, por lo que si no cierra sesión después de la exploración de datos, los cargos de sesión continúan acumulándose.

Resumen

SageMaker Canvas es una herramienta visual para construir modelos ML sin código. Los analistas de negocio pueden realizar análisis de datos y predicciones por su cuenta, y la compartición bidireccional de modelos con Studio les permite intercambiar modelos con científicos de datos. Soporta predicción de series temporales, clasificación, regresión y clasificación de imágenes, y el reentrenamiento automático puede actualizar los modelos con nuevos datos. Los modelos Ready-to-use proporcionan análisis de sentimiento y extracción de texto sin entrenamiento adicional.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

Compartir

Servicios relacionados

Amazon SageMaker Canvas EspecializadoHerramienta de ML sin código para construir, entrenar y desplegar modelos de aprendizaje automático sin escribir códigoAmazon SageMaker PopularPlataforma integrada para construir, entrenar y desplegar modelos de aprendizaje automáticoAmazon S3 EsencialServicio de almacenamiento de objetos escalable

Artículos relacionados

Construcción de una plataforma ML con Amazon SageMaker - Desde el desarrollo de modelos hasta el despliegueDesde el desarrollo en Studio hasta el entrenamiento con instancias spot gestionadas, MLOps con Pipelines y detección de drift de datos con Model Monitor, este artículo cubre cómo integrar todo el ciclo de vida ML.Predicción de demanda con Amazon Forecast - Fin de las nuevas altas, migración a SageMaker Canvas y funcionamiento de la predicción de series temporalesAmazon Forecast dejó de aceptar nuevos usuarios el 29 de julio de 2024 (los usuarios existentes pueden seguir usándolo). Explicamos la migración a la predicción de series temporales de SageMaker Canvas, el sucesor oficial, así como la construcción de modelos / la predicción probabilística / la estructura de cobro de Forecast.Centralización de registros de auditoría SaaS con AWS AppFabric - Estandarización OCSF e integración con Security LakeExplicamos la recopilación de registros de auditoría de aplicaciones SaaS con AppFabric, la estandarización al formato OCSF y la construcción de pipelines de análisis.

Más sobre este tema

Entrenamiento de machine learning basado en GPU con AWS Batch - Entrenamiento a gran escala con eficiencia de costosEjecute entrenamiento GPU con sus contenedores Docker existentes y reduzca costos hasta un 90% usando instancias Spot y checkpointing. Incluye orientación sobre cuándo elegir Batch sobre SageMaker.Uso de Claude en Amazon Bedrock - Selección de modelos, diseño de prompts y optimización de costosComparamos los modelos Anthropic Claude disponibles en Amazon Bedrock, proporcionamos directrices de selección de modelos por caso de uso y cubrimos mejores prácticas de diseño de prompts y optimización de costos.Construcción de aplicaciones RAG con Amazon Bedrock Knowledge Bases - Implementación de generación aumentada por recuperaciónIndexe automáticamente documentos en S3 y unifique búsqueda y generación con la API RetrieveAndGenerate. Cubre la selección de estrategia de chunking y la seguridad con Guardrails.Primeros pasos con computación cuántica en Amazon Braket - Diseño y simulación de circuitos cuánticosCree prototipos gratis con el simulador local y ejecute circuitos cuánticos en el hardware real de IonQ y Rigetti. Presentamos técnicas para implementar VQE y QAOA con Hybrid Jobs.ML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.Procesamiento de lenguaje natural con Amazon Comprehend - Análisis de sentimiento y extracción de entidadesExplicamos el análisis de sentimiento, la extracción de entidades y la construcción de modelos de clasificación personalizados con Comprehend.Construcción de bots conversacionales - Interfaces de conversación natural con Amazon Lex y PollyAprenda a construir bots conversacionales utilizando Amazon Lex y Amazon Polly.Extracción de texto de documentos - Procesamiento inteligente de documentos con Amazon TextractExplicamos la extracción automática de texto, tablas y datos de formularios de documentos con Amazon Textract, y la construcción de pipelines de procesamiento de lenguaje natural en combinación con Amazon Comprehend. Presentamos patrones de automatización para procesamiento de facturas y análisis de contratos.

Artículos y servicios similares

Predicción de demanda con Amazon Forecast - Fin de las nuevas altas, migración a SageMaker Canvas y funcionamiento de la predicción de series temporalesAmazon Forecast dejó de aceptar nuevos usuarios el 29 de julio de 2024 (los usuarios existentes pueden seguir usándolo). Explicamos la migración a la predicción de series temporales de SageMaker Canvas, el sucesor oficial, así como la construcción de modelos / la predicción probabilística / la estructura de cobro de Forecast.Amazon SageMakerPlataforma completamente gestionada para construir, entrenar y desplegar modelos de aprendizaje automático de forma integral, mejorando significativamente la productividad de científicos de datos e ingenieros MLConstrucción de una plataforma ML con Amazon SageMaker - Desde el desarrollo de modelos hasta el despliegueDesde el desarrollo en Studio hasta el entrenamiento con instancias spot gestionadas, MLOps con Pipelines y detección de drift de datos con Model Monitor, este artículo cubre cómo integrar todo el ciclo de vida ML.