Amazon Web Services (AWS) ha hecho pública una nueva funcionalidad que promete revolucionar el intercambio de modelos de aprendizaje automático (ML) entre diferentes cuentas de su plataforma a través del uso combinado del Amazon SageMaker Model Registry y el AWS Resource Access Manager (AWS RAM). Esta innovadora solución pretende solventar las complicaciones que enfrentan los clientes al compartir modelos ML entre cuentas, causadas por la necesidad de configurar políticas complejas de AWS Identity and Access Management (IAM) y el desarrollo de integraciones personalizadas. Ahora, la facilidad y seguridad para compartir y acceder a modelos ML registrados en el SageMaker Model Registry se verá significativamente mejorada para las diferentes cuentas de AWS.
La implementación de esta nueva funcionalidad permite que los usuarios especifiquen, mediante la interfaz de usuario de SageMaker Studio o a través de APIs, qué modelos del registrador de modelos SageMaker desean compartir y con qué cuentas específicas. De esta manera, los usuarios autorizados pueden acceder de manera rápida y sencilla a estos modelos en sus respectivas cuentas de AWS, optimizando así el flujo de trabajo relacionado con ML. Además, esta característica mejora la visibilidad y la gobernanza de los modelos, acelerando la adopción de modelos ML a lo largo de toda la organización.
Este avance es de particular importancia en el ámbito de la gobernanza de modelos, un aspecto crítico para asegurar que los sistemas de inteligencia artificial (IA) se desarrollen y sean utilizados respetando valores, derechos y regulaciones vigentes. El marco de gobernanza es esencial, especialmente dentro del contexto del Acta de Inteligencia Artificial de la Unión Europea, que enfatiza la necesidad de supervisar y gestionar los sistemas de IA con base en su contexto de uso.
La gobernanza de modelos ML no solo es vital para el cumplimiento de regulaciones y estándares éticos, sino que también sirve para prevenir sesgos, gestionar riesgos, evitar el mal uso y garantizar la transparencia. Este proceso es fundamental para establecer confianza, adherirse a los requisitos regulatorios y promover el uso ético de las tecnologías de IA.
Mediante una arquitectura de intercambio multi-cuenta, se busca mejorar la seguridad, escalabilidad y confiabilidad de los sistemas, facilitando una mejor aprobación, despliegue y auditoría de modelos ML. En última instancia, esta innovación ofrece a las organizaciones la habilidad de implementar un enfoque centralizado en la gobernanza del ciclo de vida de los modelos, incrementando así la efectividad, cumplimiento y adopción responsable de la inteligencia artificial en sus operaciones.
