Amazon SageMaker AI يتعلم بث نتائج قياس نماذج إلى MLflow

قدمت أمازون تكاملًا جديدًا لـ MLflow مع Amazon SageMaker AI ينقل في الوقت الفعلي نتائج مهام قياس نماذج واختيار تكوين الاستدلال الأمثل إلى واجهة موحدة لتتبع التجارب.

ما الذي يتم نقله بالضبط إلى MLflow؟

SageMaker AI يحتوي على نوعين من المهام والتي تتدفق البيانات منها الآن تلقائيًا إلى MLflow: المهام لتحديد تكوينات الاستدلال الأمثل (مهام التوصية بالاستدلال المحسّن) ومهام القياس. يتم نقل المقاييس ومعاملات الإطلاق والرسوم البيانية إلى تطبيق Amazon SageMaker MLflow بدون خادم دون تصدير يدوي وتوحيد جداول يدوي لاحق.

• يتم بناء التكامل على تطبيق MLflow المُدار ضمن Amazon SageMaker AI
• نوعان من المهام يخضعان للنقل — مهام القياس ومهام تحديد تكوين الاستدلال
• يتم نقل المقاييس ومعاملات الإطلاق والرسوم البيانية إلى MLflow
• يتم تحديث البيانات في الوقت الفعلي بدلاً من تصديرها بعد اكتمال المهمة

ماذا يوفر هذا لمهندسي التعلم الآلي؟

مهام القياس والتوصية في SageMaker AI يمكن أن تعمل لفترة طويلة لأنها تكرر من خلال خيارات تكوين البنية الأساسية المختلفة لنموذج معين. في السابق، لم تتمكن من رؤية التقدم الوسيط في مثل هذه المهام — ظهرت النتيجة فقط بعد اكتمال التشغيل الكامل. مع تكامل النقل، تصل المقاييس إلى واجهة MLflow حيث يتقدم التنفيذ، ويمكن للمهندس ملاحظة كيف يتصرف كل متغير تكوين دون انتظار النهاية.

التغيير الثاني يتعلق بالطريقة التي يتم بها تخزين النتائج. تصف أمازون النتيجة بأنها "تجربة موحدة لتتبع التجارب": بدلاً من السجلات المشتتة لكل تشغيل فردي، تحصل الفريق على متتبع مشترك حيث تتدفق البيانات من جميع المهام ذات الصلة تلقائيًا. هذا هو نفس المبدأ الذي دفع إلى إنشاء MLflow كأداة مفتوحة في المقام الأول — فقط الآن يتم توصيله بشكل أصلي إلى قياسات SageMaker AI المُدارة بدلاً من الحاجة إلى إعداد عميل منفصل لتسجيل المقاييس.

ماذا يعني هذا؟

بالنسبة للفرق التي تختبر تكوينات البنية الأساسية المختلفة قبل إطلاق نماذج توليدية للإنتاج، فإن لوحة معلومات المقاييس الموحدة تقلل الاحتكاك عند مقارنة الخيارات وتسرع اختيار حل محسّن — لا تحتاج إلى جمع نتائج المهام المنفصلة يدويًا لفهم تكوين أي توازن أفضل بين الكمون والإنتاجية والتكلفة.