يوفر Amazon SageMaker Studio واجهة مرئية واحدة تستند إلى الويب، حيث يمكنك تنفيذ جميع خطوات تطوير تعلم الآلة. يمنحك SageMaker Studio إمكانية الوصول، والتحكم، والوضوح الكاملين في كل خطوة مطلوبة لإنشاء النماذج والتدريب عليها ونشرها. يمكنك تحميل البيانات، وإنشاء الدفاتر الجديدة، والتدريب على النماذج وتحسيها، والانتقال ذهابًا وعودةً بين الخطوات لضبط التجارب، ومقارنة النتائج، ونشر النماذج المخطط إنتاجها في مكان واحد، كل ذلك بصورة سريعة، مما يجعلك أكثر إنتاجية. يمكن تنفيذ جميع أنشطة تطوير تعلم الآلة، بما في ذلك الدفاتر، وإدارة التجارب، وإنشاء النماذج التلقائي، وتصحيح الأخطاء، واكتشاف انحراف النماذج، داخل واجهة SageMaker Studio المرئية الموحدة.

تُعد إدارة مثيلات الحوسبة لعرض أحد دفاتر الملاحظات أو تشغيله أو مشاركته عملية شاقة. Amazon SageMaker Studio Notebooks هي دفاتر من Jupyter تعمل بضغطة واحدة ويمكنها العمل بسرعة. تتميز موارد الحوسبة الأساسية بالمرونة الكاملة، لذلك يمكنك بسهولة ضبط كمية الموارد المتاحة، وتحدث التغييرات تلقائيًا في الخلفية دون مقاطعة عملك. ويتيح SageMaker أيضًا مشاركة الدفاتر بضغطة واحدة. يمكنك بسهولة مشاركة الدفاتر مع الآخرين وسيحصلون على الدفتر نفسه، كما سيتم حفظه في نفس المكان.

يمكنك الاختيار من بين العشرات من الدفاتر المدمجة مسبقًا في SageMaker لحالات الاستخدام المختلفة. يمكنك أيضًا الحصول على مئات اللوغاريتمات والنماذج المتوفرة التي تم التدرب عليها مسبقًا في AWS Marketplace، مما يسهل البدء بسرعة.

تعد Amazon SageMaker Autopilot أول إمكانية لتعلم آلة في المجال تمنحك تحكمًا ووضوحًا كاملين في نماذج تعلم الآلة الخاصة بك. لا تمنحك الأساليب التقليدية لتعلم الآلة النظرة المتعمقة حول البيانات المستخدمة في إنشاء النموذج، أو المنطق الذي استحدث إنشاء النموذج. نتيجة لذلك، حتى لو كان النموذج دون المتوسط، فلا توجد طريقة لتطويره. أيضًا، ليست لديك المرونة اللازمة لإجراء المقايضات، مثل التضحية ببعض الدقة في مقابل الحصول على زمن استجابة أسرع للتنبؤات، نظرًا لأن حلول تعلم الآلة العادية والمشغلة آليًا توفر نموذجًا واحدًا فقط للاختيار.

تقوم SageMaker Autopilot بفحص البيانات الأولية تلقائيًا، وتطبيق معالجات الميزات، واختيار أفضل مجموعة من اللوغاريتمات، والتدرب على النماذج المتعددة وتحسينها، وتتبع أدائها، ثم تصنف النماذج بناءً على الأداء، كل ذلك ببضع ضغطات فقط. والنتيجة هي نموذج أفضل أداءً يمكنك نشره في جزء صغير من الوقت المطلوب عادةً لتدريب النموذج. يمكنك الحصول على رؤية كاملة لكيفية إنشاء النموذج، والعناصر الموجودة فيه، وكيفية تكامل SageMaker Autopilot مع Amazon SageMaker Studio. يمكنك استكشاف ما يصل إلى 50 نموذجًا مختلفًا تم إنشاؤها بواسطة SageMaker Autopilot داخل SageMaker Studio، بحيث يكون من السهل اختيار أفضل نموذج مناسب لحالة الاستخدام الخاصة بك. يمكن للأشخاص الذين ليس لديهم خبرة في تعلم الآلة استخدام SageMaker Autopilot لإنتاج نموذج بسهولة، أو يمكن للمطورين ذوي الخبرة استخدامه لتطوير نموذج أساسي بسرعة يمكن للفرق أن تزيد من تكراره.

معرفة المزيد »

تستند النماذج الناجحة لتعلم الآلة إلى كميات كبيرة من بيانات التدريب عالية الجودة. ولكنَّ عملية إنشاء بيانات التدريب الضرورية لبناء هذه النماذج غالبًا ما تكون مكلفة، ومعقدة، وتستغرق وقتًا طويلاً. تساعدك Amazon SageMaker Ground Truth في بناء مجموعات بيانات دقيقة للغاية وإدارتها سريعًا. توفر Ground Truth وصولاً سهلاً إلى واضعي التسميات من خلال Amazon Mechanical Turk، وتزودهم بسير عمل وواجهات معدة مسبقًا لمهام التسمية الشائعة. يمكنك أيضًا استخدام واضعي التسميات لديك أو استخدام البائعين الموصى بهم بواسطة Amazon من خلال AWS Marketplace. بالإضافة إلى ذلك، تتعلم Ground Truth بشكل مستمر من التسميات التي يقوم بها البشر لتقديم تعقيبات توضيحية عالية الجودة وتلقائية لتقليل تكاليف وضع التسميات بشكل ملحوظ.

معرفة المزيد »

تساعدك Amazon SageMaker Experiments في تنظيم التكرار لنماذج تعلم الآلة وتتبعه. يتطلب تدريب نموذج تعلم الآلة عادةً العديد من التكرارات لعزل تأثير تغيير مجموعات البيانات، وإصدارات اللوغاريتمات، ومعلمات النماذج، وقياسها. تُنتِج مئات العناصر مثل النماذج، وبيانات التدريب، وتكوينات النظام الأساسي، وإعدادات المعلمات، ومقاييس التدريب، أثناء هذه التكرارات. في كثير من الأحيان، يتم استخدام آليات معقدة مثل جداول البيانات لتتبع هذه التجارب.

تساعدك SageMaker Experiments في إدارة التكرارات من خلال تدوين معلمات الإدخال، والتكوينات، والنتائج، تلقائيًا وتخزينها تحت اسم «التجارب». يمكنك العمل ضمن الواجهة المرئية لـ SageMaker Studio، حيث يمكنك استعراض التجارب النشطة، والبحث عن التجارب السابقة بحسب خصائصها، ومراجعة التجارب السابقة مع نتائجها، ومقارنة نتائج التجربة بشكل مرئي.

إن عملية تدريب تعلم الآلة مبهمة إلى حدٍّ كبير، ويمكن أن يكون الوقت الذي يستغرقه تدريب النموذج طويلاً وصعب التحسين. نتيجة لذلك، غالبًا ما يكون من الصعب تفسير النماذج وشرحها. تعمل Amazon SageMaker Debugger على جعل عملية التدريب أكثر وضوحًا من خلال تدوين المقاييس في الوقت الفعلي تلقائيًا أثناء التدريب مثل التدريب والتحقق من الصحة، ومصفوفات الارتباك، وتدرجات التعلم، للمساعدة في تحسين دقة النموذج.

يمكن عرض المقاييس في SageMaker Debugger من خلال SageMaker Studio لفهمها بسهولة. يمكن لـ SageMaker Debugger أيضًا إنشاء التحذيرات ونصائح المعالجة عند اكتشاف مشكلات التدريب الشائعة. باستخدام SageMaker Debugger، يمكنك تفسير كيفية عمل النموذج، مما يمثل خطوة مبكرة نحو قابلية شرح النموذج.

توفر تحسينات TensorFlow في AWS كفاءة تكيف شبه خطية عبر المئات من وحدات معالجة الرسوميات للعمل على نطاق السحابة دون إجراء الكثير من المعالجة المباشرة لتدريب نماذج أكثر دقة وتطورًا، في وقت أقل بكثير.

يوفر Amazon SageMaker تدريبًا مدارًا لـ Spot لمساعدتك على تقليل تكاليف التدريب بنسبة تصل إلى 90%. تستخدم هذه الإمكانية مثيلات Spot في Amazon EC2، وهي سعة حوسبة احتياطية في AWS. يتم تشغيل مهام التدريب تلقائيًا عند توفر سعة الحوسبة وجعلها وسريعة التكيف مع حالات الانقطاع الناجمة عن التغييرات في السعة، مما يتيح لك توفير التكلفة عندما تكون لديك مرونة في موعد تشغيل مهام التدريب.