Amazon SageMaker Reseñas y Detalles del Producto

Me gusta lo fácil que es entrenar modelos de ML en Amazon SageMaker y realizar experimentos rápidos. Puedo prototipar y hacer cambios en mis modelos de ML fácilmente, y el proceso de entrenamiento es sencillo. Todos los registros son accesibles, lo que ayuda a verificar el estado del entrenamiento y probar los modelos. Esto hace que experimentar y cambiar parámetros directamente en SageMaker sea eficiente. Reseña recopilada por y alojada en G2.com.

Puede haber una mejor transparencia de costos. Además, hay una curva de aprendizaje con la configuración inicial. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Amazon SageMaker es su soporte integral para todo el ciclo de vida del aprendizaje automático. Desde la preparación de datos y la construcción de modelos hasta el entrenamiento, ajuste y despliegue, todo está perfectamente integrado en una sola plataforma. Aprecio especialmente los algoritmos integrados, los cuadernos de Jupyter y el ajuste automático de modelos (Optimización de Hiperparámetros). La capacidad de escalar trabajos de entrenamiento fácilmente y desplegar modelos como endpoints completamente gestionados con unos pocos clics o líneas de código es un gran impulso a la productividad. SageMaker Studio también proporciona un excelente entorno colaborativo para equipos. Reseña recopilada por y alojada en G2.com.

Aunque Amazon SageMaker es potente, una desventaja es su complejidad y costo para principiantes o proyectos a pequeña escala. La curva de aprendizaje puede ser pronunciada, especialmente al configurar recursos, gestionar permisos con IAM o entender el modelo de precios. Algunas características, como SageMaker Pipelines o Studio, pueden resultar abrumadoras sin experiencia previa en AWS. Además, depurar trabajos de entrenamiento fallidos o implementaciones puede ser un desafío sin registros detallados o mensajes de error claros. Reseña recopilada por y alojada en G2.com.

Amazon SageMaker admite todo el flujo de trabajo de aprendizaje automático, desde la preparación de datos hasta el despliegue de modelos, en un solo lugar.

Podemos cargar datos fácilmente, explorarlos, entrenar modelos y probarlos sin cambiar de herramientas.

Me gusta mucho que SageMaker gestione los servidores por nosotros, así que no tenemos que configurar ni mantener ninguna infraestructura.

También hace que el despliegue sea flexible y sencillo. En general, hace que los proyectos de ML sean mucho más fáciles de gestionar, especialmente cuando se trabaja en equipo. Reseña recopilada por y alojada en G2.com.

Puede ser difícil aprender al principio, especialmente para los principiantes. La interfaz a veces es lenta o no muy fluida, especialmente con archivos grandes o al cambiar de pestañas. Reseña recopilada por y alojada en G2.com.

De principio a fin, escalabilidad y flexibilidad, integración con AWS, facilidad de uso, monitoreo y depuración de modelos Reseña recopilada por y alojada en G2.com.

Gestión de costos, desafiante de personalizar o ir más allá de las funcionalidades preconstruidas, claridad de la documentación, se necesita un buen entendimiento de ML y AWS para aprovechar completamente sus capacidades. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Amazon SageMaker es su capacidad para gestionar todo el ciclo de vida del aprendizaje automático en una plataforma integrada. Simplifica la construcción, el entrenamiento y el despliegue de modelos, al tiempo que ofrece escalabilidad y herramientas poderosas como SageMaker Studio y la sintonización automática de modelos. Reseña recopilada por y alojada en G2.com.

Lo que no me gusta de Amazon SageMaker es que su estructura de precios puede ser compleja y rápidamente volverse costosa, especialmente para trabajos de entrenamiento de larga duración o implementaciones a gran escala. Además, la curva de aprendizaje puede ser pronunciada para los nuevos usuarios que no están familiarizados con los servicios y configuraciones de AWS. Reseña recopilada por y alojada en G2.com.

Ofrece notebooks Jupyter gestionados (SageMaker Studio, Studio Lab), admite marcos de ML populares (TensorFlow, PyTorch, MXNet) y proporciona herramientas para el entrenamiento distribuido y la optimización de hiperparámetros. Reseña recopilada por y alojada en G2.com.

SageMaker es caro, especialmente para trabajos de entrenamiento de larga duración, implementaciones a gran escala o cuando se utilizan instancias de alto rendimiento. El modelo de pago por uso puede llevar a costos inesperados, y la estructura de precios puede ser compleja de entender y optimizar. Reseña recopilada por y alojada en G2.com.

Sin dolores de cabeza de código e infraestructura. Totalmente gestionado de principio a fin. Reseña recopilada por y alojada en G2.com.

Complicaciones de costos y precios. La migración a otra nube es un poco desafiante. Reseña recopilada por y alojada en G2.com.

Es altamente escalable, muy potente en términos de computación, muy bien integrado con los almacenes de datos y lagos de datos de la mayoría de los proveedores, y se puede acceder a él en el navegador. Reseña recopilada por y alojada en G2.com.

Apenas puedo hacer una estimación del cálculo del precio. Aunque hay una herramienta llamada calculadora de precios de AWS, la lista de configuraciones disponibles no muestra el número de configuraciones que puedes seleccionar al configurar las instancias de Studio y Notebook de la herramienta. Reseña recopilada por y alojada en G2.com.

Provisión de algoritmos integrados y marco de trabajo. Muchas veces, son los datos los que causan problemas con las predicciones. Cuando obtuvimos los datos correctos, las predicciones basadas en los algoritmos integrados hicieron un gran trabajo en técnicas lineales, logísticas y de clasificación. Colaborativo con otros científicos de datos. Es fácil integrarse con otros sistemas relacionados como Salesforce cuando tenemos nuestros datos en cubos S3 y el soporte al cliente es muy receptivo. Reseña recopilada por y alojada en G2.com.

Aunque estamos obteniendo computación a un costo razonable, la responsabilidad de ejecutar el modelo grande recae en los usuarios. Cuando ejecutan modelos más grandes solo para probar, atrae algunos costos adicionales. Aunque Sagemaker es fácil de usar, la responsabilidad de la gestión de costos recae en los usuarios. Reseña recopilada por y alojada en G2.com.

Estoy usando exclusivamente Amazon SageMaker tanto para uso profesional como personal. La variedad de aplicaciones es útil al trabajar en tareas de aprendizaje automático. Las funciones de entrenamiento y canvas que he estado usando durante bastante tiempo hacen que mis tareas de ML sean más rápidas y productivas. Reseña recopilada por y alojada en G2.com.

Amazon SageMaker es una gran plataforma para tareas de aprendizaje automático, todas las características y aplicaciones son realmente fáciles de usar. La característica que necesita atención es la prueba gratuita ofrecida, que no es suficiente, y Amazon debería proporcionar acceso a GPU también. Aparte de esto, es una gran plataforma en línea de aprendizaje automático. Reseña recopilada por y alojada en G2.com.