Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Requisitos y prácticas recomendadas para crear productos de machine learning
<a name="ml-listing-requirements-and-best-practices"></a>

Es importante que a sus compradores les resulte fácil probar sus productos de paquete de modelos y algoritmos. En las siguientes secciones se describen las prácticas recomendadas de productos de ML. Para ver un resumen completo de los requisitos y recomendaciones, consulte [Resumen de los requisitos y recomendaciones para los listados de productos de ML](#ml-summary-table-of-requirements-and-recommendations).

**nota**  
Un AWS Marketplace representante podría ponerse en contacto contigo para ayudarte a cumplir estos requisitos si los productos publicados no los cumplen.

**Topics**
+ [Prácticas recomendadas generales para productos de ML](#ml-general-best-practices)
+ [Requisitos de información de uso](#ml-requirements-for-usage-information)
+ [Requisitos de entradas y salidas](#ml-requirements-for-inputs-and-outputs)
+ [Requisitos para el cuaderno de Jupyter](#ml-requirements-for-jupyter-notebook)
+ [Resumen de los requisitos y recomendaciones para los listados de productos de ML](#ml-summary-table-of-requirements-and-recommendations)

## Prácticas recomendadas generales para productos de ML
<a name="ml-general-best-practices"></a>

 Proporcione la siguiente información para su producto de machine learning: 
+  Para las descripciones de los productos, incluya lo siguiente: 
  +  Qué hace su modelo 
  +  Quién es el cliente de destino 
  +  Cuál es el caso de uso más importante 
  +  Cómo se entrenó su modelo o la cantidad de datos que se usaron 
  +  Cuáles son las métricas de rendimiento y los datos de validación utilizados 
  +  Si es médico, si su modelo es o no para uso diagnóstico 
+ De forma predeterminada, los productos de machine learning están configurados para tener visibilidad pública. Sin embargo, puede crear un producto con visibilidad limitada. Para obtener más información, consulte [Paso 7: configurar la lista de permitidos](configure-allowlist.md).
+  (Opcional) En el caso de los productos de pago, ofrezca una prueba gratuita de 14 a 30 días para que los clientes prueben su producto. Para obtener más información, consulte [Precios de productos de aprendizaje automático para AWS Marketplace](machine-learning-pricing.md). 

## Requisitos de información de uso
<a name="ml-requirements-for-usage-information"></a>

Una información de uso clara que describa las entradas y salidas esperadas del producto (con ejemplos) es fundamental para que el comprador disfrute de una experiencia positiva. 

Con cada nueva versión de su recurso que añada a su listado de productos, debe proporcionar información de uso. 

Para editar la información de uso existente de una versión específica, consulte [Actualización de la información de la versión](ml-manage-product-version.md#ml-updating-versions).

## Requisitos de entradas y salidas
<a name="ml-requirements-for-inputs-and-outputs"></a>

Es importante una explicación clara de los parámetros de entrada admitidos y los parámetros de salida devueltos con ejemplos para ayudar a los compradores a entender y utilizar su producto. Esta comprensión ayuda a los compradores a realizar las transformaciones necesarias en los datos de entrada para obtener los mejores resultados de inferencia. 

Se te solicitará lo siguiente cuando agregues tu recurso de Amazon SageMaker AI a tu listado de productos.

### Entradas y salidas de inferencia
<a name="ml-inference-inputs-and-outputs"></a>

Para la entrada de inferencias, proporcione una descripción de los datos de entrada que espera su producto tanto para el punto de conexión en tiempo real como para el trabajo de transformación por lotes. Incluya fragmentos de código para cualquier procesamiento previo de los datos que sea necesario. Incluya limitaciones si procede. Proporcione muestras de entrada alojadas en [GitHub](https://github.com).

Para la salida de inferencias, proporcione una descripción de los datos de salida que devuelve su producto tanto para el punto de conexión en tiempo real como para el trabajo de transformación por lotes. Incluya limitaciones si procede. Proporcione muestras de salida alojadas en [GitHub](https://github.com). 

En el caso de los ejemplos, proporcione archivos de entrada que funcionen con su producto. Si su modelo realiza una clasificación multiclase, debe proporcionar al menos un archivo de entrada de muestra para cada una de las clases. 

### Entradas de formación
<a name="ml-training-inputs"></a>

En la sección **Información para entrenar un modelo**, proporcione el formato de los datos de entrada y los fragmentos de código para cualquier procesamiento previo de los datos que sea necesario. Incluya una descripción de los valores y las limitaciones si procede. Proporcione muestras de entrada alojadas en [GitHub](https://github.com). 

Explique las funciones opcionales y obligatorias que puede proporcionar el comprador y especifique si se admite el modo de entrada `PIPE`. Si [se admite la formación distribuida](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms-training-algo-running-container.html#your-algorithms-training-algo-running-container-dist-training) (formación con más de una CPU/GPU instancia), especifíquela. Para ajustar, indique los hiperparámetros recomendados. 

## Requisitos para el cuaderno de Jupyter
<a name="ml-requirements-for-jupyter-notebook"></a>

Cuando añadas tu recurso de SageMaker IA a tu catálogo de productos, proporciona un enlace a un ejemplo de bloc de notas de Jupyter en el [GitHub](https://github.com)que se muestre el flujo de trabajo completo sin pedir al comprador que suba ni busque ningún dato. 

Utilice la AWS SDK para Python (Boto). Un cuaderno de muestra bien desarrollado facilita que los compradores prueben y usen su listado. 

En el caso de los productos de paquetes de modelos, su cuaderno de muestra indica cómo se preparan los datos de entrada, se crea un punto de conexión para realizar inferencias en tiempo real y se realizan los trabajos de transformación por lotes. Para obtener más información, consulte la [lista de Model Package y el cuaderno de muestra](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_marketplace/curating_aws_marketplace_listing_and_sample_notebook/ModelPackage) en GitHub. Para ver un ejemplo de cuaderno, consulte [auto\$1insurance](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/using_model_packages/auto_insurance). El cuaderno funciona en su totalidad Regiones de AWS, sin introducir ningún parámetro y sin que el comprador necesite localizar los datos de la muestra.

**nota**  
Un ejemplo de cuaderno de Jupyter poco desarrollado y que no muestre las múltiples entradas posibles y los pasos de preprocesamiento de los datos podría dificultar que el comprador comprenda completamente la propuesta de valor del producto. 

Para los productos algorítmicos, el cuaderno de muestra indica el entrenamiento completo, el ajuste, la creación de modelos, la creación de un punto de conexión para la inferencia en tiempo real y el rendimiento de los trabajos de transformación por lotes. Para obtener más información, consulte la [lista de algoritmos y el cuaderno de muestra](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/curating_aws_marketplace_listing_and_sample_notebook/Algorithm) en GitHub. [Para ver ejemplos de libretas, consulta [amazon\$1demo\$1product](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/using_algorithms/amazon_demo_product) y automl on.](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_marketplace/using_algorithms/automl) GitHub Estos cuadernos de muestra funcionan en todas las regiones sin introducir ningún parámetro y sin que el comprador necesite localizar los datos de muestra. 

**nota**  
La falta de datos de entrenamiento de muestra puede impedir que su comprador ejecute con éxito el cuaderno de Jupyter. Un cuaderno de muestra poco desarrollado podría impedir que los compradores usen su producto y dificultar su adopción. 

## Resumen de los requisitos y recomendaciones para los listados de productos de ML
<a name="ml-summary-table-of-requirements-and-recommendations"></a>

En la siguiente tabla se proporciona un resumen de los requisitos y recomendaciones para una página de listado de productos de machine learning.


|  **Detalles**  |  **Para listados de paquetes de modelos**  |  **Para listados de algoritmos**  | 
| --- |--- |--- |
| **Product descriptions** | 
| --- |
| Explica detalladamente qué hace el producto con los tipos de contenido compatibles (por ejemplo, «detecta X en las imágenes»).  |  Obligatorio  |  Obligatorio  | 
| Proporciona información convincente y diferenciadora sobre el producto (evita adjetivos como «el mejor» o afirmaciones sin fundamento).  |  Recomendado  |  Recomendado  | 
| Enumere los casos de uso más importantes de este producto.  |  Obligatorio  |  Obligatorio  | 
| Describa los datos (fuente y tamaño) con los que se entrenó y enumere las limitaciones conocidas.  |  Obligatorio  |  No aplicable | 
| Describa el marco básico sobre el que se creó el modelo.  |  Recomendado  |  Recomendado  | 
| Resuma la métrica de rendimiento del modelo a partir de los datos de validación (por ejemplo, «un XX y un porcentaje de precisión comparado con el conjunto de datos Z»).  |  Obligatorio  |  No aplicable | 
| Resuma las métricas de rendimiento de la and/or latencia del modelo según el tipo de instancia recomendado.  |  Obligatorio  |  No aplicable | 
| Describa la categoría del algoritmo. Por ejemplo, «Este algoritmo de regresión de bosques de decisiones se basa en un conjunto de clasificadores con estructura de árbol que se crean mediante la técnica general de agregación inicial y una selección aleatoria de características».  |  No aplicable |  Obligatorio  | 
| **Usage information** | 
| --- |
| A modo de inferencia, proporcione una descripción del formato de entrada esperado tanto para el trabajo de transformación por lotes como para el punto final en tiempo real. Incluya limitaciones si procede. Consulte [Requisitos de entradas y salidas](#ml-requirements-for-inputs-and-outputs).  |  Obligatorio  |  Obligatorio  | 
| A modo de inferencia, proporcione muestras de entrada tanto para el punto final en tiempo real como para el trabajo de transformación por lotes. Las muestras deben estar alojadas en. GitHub Consulte [Requisitos de entradas y salidas](#ml-requirements-for-inputs-and-outputs).  |  Obligatorio  |  Obligatorio  | 
| Para hacer inferencias, proporcione el nombre y la descripción de cada parámetro de entrada. Proporcione detalles sobre sus limitaciones y especifique si es obligatorio u opcional. | Recomendado | Recomendado | 
| A modo de inferencia, proporciona detalles sobre los datos de salida que devuelve tu producto, tanto para el punto final en tiempo real como para el trabajo de transformación por lotes. Incluya cualquier limitación, si procede. Consulte [Requisitos de entradas y salidas](#ml-requirements-for-inputs-and-outputs).  |  Obligatorio  |  Obligatorio  | 
| A modo de inferencia, proporcione muestras de salida tanto para el trabajo de transformación por lotes como para el punto final en tiempo real. Las muestras deben estar alojadas en. GitHub Consulte [Requisitos de entradas y salidas](#ml-requirements-for-inputs-and-outputs).  |  Obligatorio  |  Obligatorio  | 
| A modo de inferencia, proporcione un ejemplo del uso de un trabajo de transformación por lotes o de punto final. Incluye un ejemplo de código con los comandos AWS Command Line Interface (AWS CLI) o con un AWS SDK.  |  Obligatorio  |  Obligatorio  | 
| A modo de inferencia, proporciona el nombre y la descripción de cada parámetro de salida. Especifique si siempre se devuelve.  | Recomendado | Recomendado | 
| Para el entrenamiento, proporcione detalles sobre la información necesaria para entrenar el modelo, como las filas mínimas de datos requeridas. Consulte[Requisitos de entradas y salidas](#ml-requirements-for-inputs-and-outputs).  |  No aplicable |  Obligatorio  | 
| Para obtener formación, proporcione muestras de entrada alojadas en GitHub. Consulte [Requisitos de entradas y salidas](#ml-requirements-for-inputs-and-outputs).  |  No aplicable |  Obligatorio  | 
| Para la formación, proporcione un ejemplo de cómo realizar trabajos de formación. Describa los hiperparámetros admitidos, sus rangos y su impacto general. Especifique si el algoritmo admite el ajuste de hiperparámetros, el entrenamiento distribuido o las instancias de GPU. Incluya ejemplos de código, como AWS CLI comandos o el uso de un AWS SDK, por ejemplo.  |  No aplicable |  Obligatorio  | 
| Proporcione un cuaderno de Jupyter GitHub que muestre el uso completo de su producto. Consulte [Requisitos para el cuaderno de Jupyter](#ml-requirements-for-jupyter-notebook).  |  Obligatorio  |  Obligatorio  | 
| Proporcione información técnica relacionada con el uso del producto, incluidos los manuales de usuario y los datos de muestra.  |  Recomendado  |  Recomendado  |