Introducción rápida a un proyecto de machine learning con Amazon SageMaker JumpStart

Para comenzar, debe abrir una nueva ventana de inicio haciendo clic en el ícono + en la parte superior de la vista de la ventana del archivo.

En la parte superior izquierda de la vista de inicio, haga clic en el botón JumpStart models, algorithms, and solutions (Modelos, algoritmos y soluciones de JumpStart). Esto iniciará SageMaker JumpStart y verá una nueva ventana con una amplia variedad de contenido destacado, soluciones, modelos, tipos de problemas y más. Para este tutorial, ejecutará el modelo previamente entrenado BERT Base Cased Text.

Para encontrar el modelo previamente entrenado, use la barra de búsqueda en la parte superior derecha y escriba BERT. Se mostrarán los modelos de BERT. Haga clic en el modelo titulado BERT Base Cased Text - Text Classification. Como alternativa, puede navegar por los modelos disponibles para encontrar el correcto.

El modelo BERT incluye la opción de implementar el modelo previamente entrenado tal cual o volver a entrenar el modelo. Para este tutorial, implementará el modelo previamente entrenado tal cual. Para comenzar, haga clic en el menú desplegable junto a Deployment Configuration (Configuración de implementación). A continuación, haga clic en el menú desplegable de SageMaker hosting instance (Instancia de alojamiento de SageMaker). Verá una serie de tipos de instancias, que corresponden a los recursos que se utilizarán para alojar el punto de conexión. Seleccione ml.m5.large. El segundo cuadro corresponde al nombre del punto de conexión. Mantenga el valor predeterminado y tenga en cuenta que puede cambiar el nombre del punto de conexión si es necesario.

Haga clic en la flecha en el siguiente menú desplegable etiquetado como Security Settings (Configuración de seguridad). Puede configurar roles de ejecución, conexión de VPC y cifrado. Para este tutorial, estos pasos no serán necesarios, pero tenga en cuenta que estas opciones existen y es probable que desee cambiarlas para una implementación de producción. Haga clic en la opción Deploy (Implementar) para comenzar a configurar el punto de conexión del modelo.

A continuación, verá un cuadro de diálogo que muestra el estado de implementación del modelo. Esta parte del proceso puede tomar de 5 a 10 minutos. El cuadro de diálogo cambiará para mostrar metadatos sobre el tipo de modelo, la tarea, el identificador del punto de conexión, el nombre del punto de conexión, el tipo de instancia, el número de instancias y la ubicación de los datos del modelo a medida que avanza el proceso. Una vez que se complete la implementación del punto de conexión, el estado del servicio debería actualizarse a In Service (En servicio).

En este paso, utilizará el cuaderno de demostración proporcionado para probar el punto de conexión. Haga clic en el botón Open Notebook (Abrir cuaderno) para abrir el cuaderno. El cuaderno contiene código de Python para ejecutar dos ejemplos de texto a través del punto de conexión y ver los resultados del modelo. Este modelo predice una probabilidad de valor de sentimiento y una etiqueta predicha.

Para avanzar por el cuaderno, haga clic en el ícono Play (Reproducir) como se indica en la captura de pantalla. Como alternativa, también puede mantener presionada la tecla Shift (Mayús) y presionar Return (Volver) para avanzar por las celdas. Las etiquetas predichas y las probabilidades asociadas se imprimirán en la parte inferior de la celda.

Ha implementado un punto de conexión de modelo mediante el modelo BERT Base Cased Text - Text Classification previamente entrenado con un esfuerzo manual mínimo. ¡Felicitaciones!

Si usó un dominio existente de SageMaker Studio en el paso 1, omita el resto del paso 6 y vaya directamente a la sección de conclusión. 

Si ejecutó la plantilla de CloudFormation en el paso 1 para crear un dominio de SageMaker Studio nuevo, continúe con los siguientes pasos a fin de eliminar el dominio, el usuario y los recursos creados por la plantilla de CloudFormation.

Para abrir la consola de CloudFormation, ingrese CloudFormation en la barra de búsqueda de la consola de AWS y elija CloudFormation en los resultados de búsqueda.

En el panel de CloudFormation, elija Stacks (Pilas). En la lista desplegable de estado, seleccione Active (Activo). En Stack name (Nombre de la pila), elija CFN-SM-IM-Lambda-catalog para abrir la página de detalles de la pila.

En la página de detalles de la pila CFN-SM-IM-Lambda-Catalog, elija Delete (Eliminar) para eliminar la pila junto con los recursos que creó en el paso 1.