Amazon SageMaker es una plataforma de aprendizaje automático basada en la nube que permite a los desarrolladores crear, entrenar e implementar modelos de aprendizaje automático (ML) en la nube. Lanzada en noviembre de 2017 en la conferencia AWS re:Invent, forma parte de Amazon Web Services (AWS) y respalda todo el ciclo de vida del ML, desde el etiquetado de datos y la construcción de modelos hasta el entrenamiento, el ajuste y la implementación. La plataforma también puede implementar modelos de ML en sistemas integrados y dispositivos periféricos, ampliando su utilidad más allá de los entornos de nube tradicionales.
SageMaker permite a los desarrolladores operar en múltiples niveles de abstracción. En el nivel más alto, proporciona modelos de ML preentrenados que pueden implementarse tal cual, reduciendo la necesidad de entrenamiento personalizado. También ofrece algoritmos de ML integrados que los desarrolladores pueden entrenar con sus propios datos, y instancias gestionadas de marcos de trabajo como TensorFlow y Apache MXNet para crear algoritmos personalizados desde cero. Esta flexibilidad lo hace adecuado para una amplia gama de usuarios, desde principiantes hasta científicos de datos experimentados.
Capacidades
SageMaker se integra con otros servicios de AWS para proporcionar un flujo de trabajo integral de ML. Por ejemplo, los desarrolladores pueden conectar sus modelos a Amazon DynamoDB para el almacenamiento de datos estructurados, AWS Batch para el procesamiento por lotes fuera de línea, o Amazon Kinesis para el procesamiento de datos en tiempo real. Esta integración permite una ingesta, procesamiento e implementación de modelos sin interrupciones dentro del ecosistema de AWS.
La plataforma también admite diversas interfaces de desarrollo. Una API web puede controlar remotamente las instancias de servidor de SageMaker, y Amazon proporciona enlaces de API para múltiples lenguajes de programación, incluidos Python, JavaScript, Ruby, Java y Go. El SDK de Python de SageMaker es accesible a través del canal conda-forge dirigido por la comunidad, y las instancias gestionadas de Jupyter Notebook permiten la programación interactiva. En diciembre de 2025, se anunciaron nuevas funciones de personalización sin servidor para interactuar con modelos de IA como Amazon Nova, Llama, Qwen, DeepSeek y GPT-OSS, ampliando sus capacidades para cargas de trabajo de IA generativa.
Historia y desarrollo
SageMaker se lanzó el 29 de noviembre de 2017 en la conferencia AWS re:Invent. Poco después, el 27 de febrero de 2018, añadió soporte para el entrenamiento e inferencia gestionados de redes neuronales profundas con TensorFlow y MXNet. Al día siguiente, introdujo el escalado automático de la inferencia de modelos a múltiples instancias de servidor, mejorando el rendimiento y la fiabilidad.
A lo largo de 2018, SageMaker se expandió significativamente. El 13 de julio de 2018, añadió soporte para el entrenamiento de redes neuronales recurrentes, el entrenamiento de word2vec, el entrenamiento de clasificadores lineales multiclase y el entrenamiento distribuido de redes neuronales profundas en Chainer con Escalado Adaptativo por Capas (LARS). El 17 de julio de 2018, AWS Batch Transform permitió la inferencia de ML de alto rendimiento y no en tiempo real. Más tarde, el 8 de noviembre de 2018, añadió soporte para el entrenamiento e inferencia de incrustaciones de palabras Object2Vec.
Ground Truth y aprendizaje por refuerzo
El 27 de noviembre de 2018, se introdujo SageMaker Ground Truth, que facilita a los desarrolladores el etiquetado de sus datos mediante anotadores humanos a través de Mechanical Turk, proveedores externos o sus propios empleados. Esta función aborda un cuello de botella crítico en el desarrollo de ML: el etiquetado de datos. Al día siguiente, se anunció SageMaker Reinforcement Learning (RL), que permite a desarrolladores y científicos de datos desarrollar modelos de aprendizaje por refuerzo a escala, útil para aplicaciones como robótica y juegos.
Implementación en el borde y Marketplace
El 28 de noviembre de 2018, se introdujo SageMaker Neo, que permite implementar modelos de redes neuronales profundas desde SageMaker en dispositivos periféricos como teléfonos inteligentes y cámaras inteligentes. Esta capacidad es esencial para aplicaciones de inteligencia artificial que requieren inferencia de baja latencia sin conectividad constante a la nube. SageMaker Neo se publicó posteriormente como software de código abierto el 27 de enero de 2019, fomentando la adopción e innovación por parte de la comunidad.
El 29 de noviembre de 2018, se lanzó AWS Marketplace para SageMaker, que permite a desarrolladores externos comprar y vender modelos de aprendizaje automático que pueden entrenarse e implementarse en SageMaker. Este mercado crea un ecosistema donde los desarrolladores pueden compartir y monetizar sus modelos, acelerando la adopción del ML en diversas industrias.
Integración con el ecosistema de AWS
SageMaker está profundamente integrado con el ecosistema más amplio de AWS, lo que permite a los desarrolladores aprovechar otros servicios como AWS Lambda para la computación sin servidor, S3 para el almacenamiento y IAM para la seguridad. Esta integración simplifica la implementación de modelos de ML en producción, ya que los desarrolladores pueden utilizar herramientas y flujos de trabajo familiares de AWS. Además, SageMaker admite marcos de aprendizaje profundo y puede utilizarse con chips AWS Trainium para un rendimiento de entrenamiento optimizado, lo que lo convierte en una opción versátil tanto para entornos de investigación como de producción.
En general, Amazon SageMaker se ha convertido en una piedra angular de las ofertas de aprendizaje automático de AWS, proporcionando una plataforma escalable y flexible para desarrolladores de todo el mundo. Su evolución continua, incluido el soporte para nuevos modelos y opciones sin servidor, garantiza que siga siendo relevante en el campo de la IA en rápido avance.