Empresas
Empleos
  • Sobre nosotros
  • Soluciones
    • Publicación de vacantes
      Publica tu vacante y recibe candidatos calificados en 48h.
    • Evaluación de candidatos
      500+ pruebas técnicas y psicológicas, más anti-fraude.
    • Headhunting
      Búsqueda ejecutiva a la medida de principio a fin.
    • Nómina + EOR
      Dispersión de nómina y EOR en más de 15 países de LATAM.
  • Precios
  • Empleos

0

367
Vistas
Extremo de matraz frente a extremo de Sagemaker

Quiero crear una aplicación web simple, donde una persona ingrese algunos parámetros de un automóvil y mi algoritmo de aprendizaje automático prediga el precio del automóvil dados los parámetros. Quiero aprender AWS y, por lo tanto, quiero implementar y alojar todo allí.

Al consultar sitios web y tutoriales , identifiqué los siguientes pasos que debo seguir:

  1. Recopilar datos, entrenar el modelo
  2. Cree Flask api alrededor del modelo en escabeche para servir predicciones
  3. Cree hermosos front-end css/html
  4. Crear una imagen acoplable
  5. Empuje la imagen de la ventana acoplable a AWS ECR, el artefacto del modelo de carga de anuncios a S3
  6. Crear punto final de predicción de Sagemaker
  7. Cree un punto final de API con Chalice

Lo que no entiendo es:

  1. ¿Por qué necesito crear un punto final de sagemaker (y un punto final de Chalice) si ya tengo un punto final de matraz que predecirá el precio? ¿No puedo simplemente derivar la instancia EC2 que llamará al punto final del matraz y dará la predicción?
  2. ¿Son los pasos que describí la forma más eficiente de crear una aplicación web con un modelo ML e implementarla en AWS?

¡Estaría feliz de conocer tu opinión!

over 4 years ago · Santiago Trujillo
1 Respuestas
Responde la pregunta

0

Obviamente, hay muchas arquitecturas diferentes para lograr lo que está tratando de hacer.

Aquí hay uno que me ha funcionado para lograr algo similar:

1) Configure AWS S3/RDS para el almacenamiento/recopilación de datos, etc. Puede usar S3 para almacenar datos para capacitación, así como un lugar donde los usuarios puedan cargar datos desde su aplicación web. Puede usar RDS para almacenar cualquier metadato y realizar un seguimiento de todos sus elementos en su depósito S3.

2) Utilice Elastic Beanstalk para alojar su aplicación web. Creé algunas aplicaciones de Django (en lugar de Flask) y pude integrar, implementar, etc. fácilmente las aplicaciones con Elastic Beanstalk. Además, Elastic Beanstalk viene con un montón de funciones que lo ayudarán a administrar fácilmente el tráfico en su sitio web.

3) Utilice Sagemaker para implementar sus modelos. Una vez implementado, puede hacer un uso bastante sencillo del SDK de Amazon, Boto3, para enviar datos entre su aplicación web y su modelo para realizar predicciones.

La idea general es dividir los datos, la aplicación web y los modelos en partes separadas para que pueda reemplazar fácilmente una parte de su arquitectura con otra si encuentra una mejor solución que se ajuste.

over 4 years ago · Santiago Trujillo Denunciar
Responde la pregunta
Encuentra empleos remotos

¡Descubre la nueva forma de encontrar empleo!

Top de empleos
Top categorías de empleo
Empresas
Publicar vacante Precios Comercial
Legal
Términos y condiciones Política de privacidad
© 2026 PeakU Inc. All Rights Reserved.
Andres GPT
Recomiéndame algunas ofertas
Necesito ayuda