Positron, el entorno de desarrollo integrado (IDE) de la empresa Posit para la ciencia de datos, ahora funciona en Amazon SageMaker AI. Esto permite a los equipos de datos evitar trabajar con herramientas separadas para el acceso a datos, análisis en R o Python, implementación, desarrollo de aplicaciones e informes. El uso de Positron en SageMaker AI ofrece ventajas, como el acceso a datos sin gestionar credenciales, ya que Positron opera bajo el rol de ejecución de Space. Esto permite realizar consultas a Amazon Athena, AWS Glue Data Catalog y Amazon S3 directamente desde el IDE, siguiendo los permisos del rol sin necesidad de almacenar o actualizar claves. También se ofrece potencia computacional disponible bajo demanda. Los usuarios pueden ejecutar Space en el tamaño de instancia necesario, y los equipos pueden reservar potencia con el plan de entrenamiento de SageMaker AI para el entrenamiento en ejecución. Además, Posit Assistant, el asistente de IA de Posit, puede utilizar Amazon Bedrock como proveedor de modelos, lo que garantiza la seguridad de la ejecución dentro de la propia cuenta de AWS.
En el flujo de trabajo se demuestra el uso de una cartera sintética de 50,000 préstamos, almacenada en Amazon S3 y registrada en AWS Glue Data Catalog. Amazon Athena realiza consultas a los datos, el análisis en R verifica características, y Python se centra en entrenar un clasificador XGBoost. Los resultados generados se registran y se convierten en parte de una aplicación implementada en Positron. El flujo de trabajo también demostró que se identificaron 50,000 préstamos, de los cuales 1,500 registros carecían de datos de ingresos, y 1,015 casos de incumplimiento llevaron a una tasa de incumplimiento total del 2.03 por ciento. Los resultados discutidos también mostraron que el AUC (área bajo la curva ROC) para el clasificador finalmente evaluado fue de 0.834, con el mayor riesgo entre los prestatarios del decil superior siendo del 12.3 por ciento.
Los resultados finales del flujo de trabajo incluyen la implementación del modelo, que se hizo disponible a través del canal InService. Sin embargo, se debe considerar que este flujo de trabajo no estableció la equidad del modelo, la calibración, la aceptabilidad para préstamos, el retraso en la producción o el cumplimiento normativo. Estos puntos destacan que las conclusiones se refieren solo a una sesión y no sirven como indicadores generales de rendimiento o costo. Así, trabajar con Positron en SageMaker AI demostró las capacidades de integración de la ciencia de datos, el modelado analítico y la implementación de aplicaciones en un solo espacio, proporcionando un alto grado de interacción y accesibilidad de datos.
Artículos relacionados
