Las operaciones de aprendizaje automático, conocidas como MLOps, son un conjunto de prácticas diseñadas para automatizar y simplificar los flujos de trabajo y despliegues del aprendizaje automático (ML). Conforme las cargas de trabajo de ML se vuelven cada vez más complejas y consumen más energía y recursos, un número creciente de empresas busca maneras de gestionar tanto los costos como la huella de carbono asociada con estas cargas. AWS ha publicado una guía para optimizar los MLOps con un enfoque en la sostenibilidad, ayudando a los clientes a maximizar la utilización y minimizar el desperdicio en sus cargas de ML.
El proceso completo de construcción, despliegue y uso de modelos de ML incluye principalmente tres flujos de trabajo: preparación de datos, entrenamiento y ajuste del modelo, y despliegue y gestión del modelo. Comenzando con la preparación de datos, que es esencial para el entrenamiento del modelo, se pueden optimizar las cargas de trabajo empleando las mejores prácticas de sostenibilidad en AWS. Factores como la selección de una región de AWS con baja intensidad de carbono y el uso de una arquitectura sin servidor pueden reducir el consumo de energía. En la fase de entrenamiento y ajuste del modelo, que es específica para cargas de trabajo de AI/ML, la optimización no solo mejora la funcionalidad de los modelos sino también la eficiencia operativa. AWS SageMaker proporciona herramientas como la biblioteca de modelos paralelos y el SageMak...