Amazon SageMaker

تعلم الآلة لكل مطوِّر وعالم بيانات

تُعد Amazon SageMaker خدمة مُدارة بالكامل لمنح المطورين وعلماء البيانات القدرة على بناء نماذج تعلم الآلة والتدريب عليها ونشرها بسرعة. تزيل SageMaker عبء العمل من كل خطوة من عملية تعلم الآلة لتسهيل تطوير النماذج عالية الجودة.

تعد عمليات التطوير التقليدي لتعلم الآلة معقدة ومكلفة ومكررة، وقد ازدادت صعوبتها بسبب عدم وجود أدوات متكاملة لسير عمل تعلم الآلة بالكامل. تحتاج إلى دمج الأدوات ومهام سير العمل، ما يستغرق وقتًا طويلاً ويكون عرضة للخطأ. تقدم SageMaker حلاً لهذا التحدي من خلال توفير جميع المكونات المستخدمة في تعلم الآلة في مجموعة أدوات واحدة، بحيث تصل النماذج إلى الإنتاج بشكل أسرع وبجهد وتكلفة أقل.

إنشاء نماذج تعلم الآلة

فقط من خلال AMAZON SAGEMAKER

تحسين الإنتاج باستخدام Amazon SageMaker Studio، أول بيئة تطوير متكامل (IDE) بالكامل لتعلم الآلة

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.

SageMaker Studio
Sagemaker Studio

استخدم بيئة التطوير المتكامل (IDE) لعمليات تطوير تعلم الآلة. على سبيل المثال ، قم بإجراء تحديثات للنماذج داخل أحد الدفاتر ولاحظ كيفية تأثير التغييرات في جودة النموذج باستخدام طريقة العرض جنبًا إلى جنب للدفتر وتجارب التدريب.

استخدم بيئة التطوير المتكامل (IDE) لعمليات تطوير تعلم الآلة. على سبيل المثال ، قم بإجراء تحديثات للنماذج داخل أحد الدفاتر ولاحظ كيفية تأثير التغييرات في جودة النموذج باستخدام طريقة العرض جنبًا إلى جنب للدفتر وتجارب التدريب.

 اضغط للتكبير

فقط من خلال AMAZON SAGEMAKER

البناء والتعاون بشكل أسرع باستخدام Amazon SageMaker Studio Notebooks

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.

الدفاتر
الدفاتر

قم بإنشاء رابط قابل للمشاركة دون تتبع التبعيات يدويًا، من أجل إعادة إنتاج رمز الدفتر.

قم بإنشاء رابط قابل للمشاركة دون تتبع التبعيات يدويًا، من أجل إعادة إنتاج رمز الدفتر.

 اضغط للتكبير

فقط من خلال AMAZON SAGEMAKER

يمكنك إنشاء النماذج، والتدرب عليها، تحسينها تلقائيًا مع وضوح وتحكم كاملين، باستخدام Amazon SageMaker Autopilot

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 »

Autopilot
Autopilot

أنشئ نماذج تعلم الآلة تلقائياً واختر النموذج الذي يناسب حالة الاستخدام الخاصة بك. على سبيل المثال، راجع لوحة المميزين لمعرفة كيفية أداء كل خيار، واختر النموذج الذي يلبي متطلبات دقة النموذج وسرعة الاستجابة.

أنشئ نماذج تعلم الآلة تلقائياً واختر النموذج الذي يناسب حالة الاستخدام الخاصة بك. على سبيل المثال، راجع لوحة المميزين لمعرفة كيفية أداء كل خيار، واختر النموذج الذي يلبي متطلبات دقة النموذج وسرعة الاستجابة.

 اضغط للتكبير

فقط من خلال AMAZON SAGEMAKER

خفض تكاليف تسمية البيانات بنسبة تصل إلى 70% باستخدام Amazon SageMaker Ground Truth

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 »

70%

خفض التكاليف في تسمية البيانات

تدعم Amazon SageMaker أطر العمل الرائدة للتعلم العميق

تشمل أطر العمل المدعومة: TensorFlow، وPyTorch، وApache MXNet، وChainer، وKeras، وGluon، وHorovod، وScikit-learn، وDeep Graph Library. 

Amazon-SageMaker_Framework-Logos_F2f3f3

تدريب نماذج تعلم الآلة

فقط من خلال AMAZON SAGEMAKER

تنظيم عمليات التدريب وتتبعها وتقييمها باستخدام Amazon SageMaker Experiments

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.

Experiments
Experiments

تتبع الآلاف من تجارب التدريب لفهم دقة النموذج الخاص بك. على سبيل المثال، اعرض داخل المخطط البيانات حول كيفية تأثير مجموعات بيانات التسلسلات الزمنية المختلفة على دقة النموذج.

تتبع الآلاف من تجارب التدريب لفهم دقة النموذج الخاص بك. على سبيل المثال، اعرض داخل المخطط البيانات حول كيفية تأثير مجموعات بيانات التسلسلات الزمنية المختلفة على دقة النموذج.

 اضغط للتكبير

فقط من خلال AMAZON SAGEMAKER

تحليل مشكلات تعلم الآلة، واكتشافها، والتنبيه بشأنها باستخدام Amazon SageMaker Debugger

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.

Debugger
Debugger

تحليل أوجه الخلل وتصحيحها. على سبيل المثال، سيتوقف تدريب الشبكة العصبية إذا كانت التدرجات مصممة للتلاشي. يحدد SageMaker Debugger التدرجات المتلاشية لتتمكن من المعالجة قبل أن يتأثر التدريب.

تحليل أوجه الخلل وتصحيحها. على سبيل المثال، سيتوقف تدريب الشبكة العصبية إذا كانت التدرجات مصممة للتلاشي. يحدد SageMaker Debugger التدرجات المتلاشية لتتمكن من المعالجة قبل أن يتأثر التدريب.

 اضغط للتكبير

إن AWS هي الأفضل لتشغيل TensorFlow

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.

90%

كفاءة التكيف مع 256 وحدة معالجة رسوميات

تكاليف تدريب أقل بنسبة 90%

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.

90%

خفض التكلفة مع التدريب المدار لمثيلات Spot

نشر نماذج تعلم الآلة

النشر بضغطة واحدة

ستُسهل منصة Amazon SageMaker عملية نشر نموذجك المدرب في مرحلة الإنتاج بضغطة واحدة، بحيث يمكنك بدء توليد التنبؤات لبيانات الوقت الفعلي أو البيانات المُجمعة. يمكنك نشر نموذجك بضغطة واحدة على مثيلات تعلم الآلة في Amazon ذات التكيف التلقائي عبر مناطق متعددة لتوافر الخدمات للتكرار العالي. ما عليك سوى تحديد نوع المثيل، والحد الأقصى والحد الأدنى المطلوبين، وستهتم SageMaker بالباقي. ستقوم SageMaker بإطلاق المثيلات، ونشر النموذج، وإعداد نقطة نهاية HTTPS الآمنة، للتطبيق الخاص بك. يحتاج التطبيق الخاص بك ببساطة إلى تضمين استدعاء واجهة برمجة التطبيقات إلى نقطة النهاية هذه لتحقيق زمن استجابة منخفض، واستدلالات على معدلات الانتقال المرتفعة. تتيح لك هذه البنية دمج النماذج الجديدة في التطبيق الخاص بك في دقائق، لأن تغييرات النموذج لم تعد تتطلب تغييرات في رمز التطبيق.

فقط من خلال AMAZON SAGEMAKER

المحافظة على دقة النماذج مع مرور الوقت باستخدام Amazon SageMaker Model Monitor

تسمح Amazon SageMaker Model Monitor للمطورين باكتشاف انحراف المفاهيم ومعالجته. واليوم، فإن أحد العوامل الكبيرة التي يمكن أن تؤثر على دقة النماذج المنشورة هو ما إذا كانت البيانات المستخدمة لإنشاء التنبؤات تختلف عن البيانات المستخدمة لتدريب النموذج. على سبيل المثال، يمكن أن تؤدي الظروف الاقتصادية المتغيرة إلى أسعار جديدة للفائدة تؤثر على تنبؤات شراء المنازل. وهذا ما يسمى انحراف المفاهيم، حيث لم تعد الأنماط التي يستخدمها النموذج لإنشاء التنبؤات قابلة للتطبيق. تقوم SageMaker Model Monitor تلقائيًا باكتشاف انحراف المفاهيم في النماذج المنشورة، ويوفر التنبيهات المفصلة التي تساعد في تحديد مصدر المشكلة. تصدر جميع النماذج المدربة في SageMaker تلقائيًا المقاييس الرئيسية التي يمكن جمعها وعرضها في SageMaker Studio. ومن داخل SageMaker Studio، يمكنك ضبط البيانات التي سيتم جمعها، وكيفية عرضها، وتوقيت تلقي التنبيهات.

Model Monitor
Model Monitor

مراقبة النماذج قيد الإنتاج. على سبيل المثال، يمكنك عرض المخططات التي تحتوي على ميزات النموذج الهامة والإحصائيات الموجزة، ومراقبتها مع مرور الوقت، ومقارنتها مع الميزات المستخدمة في التدريب. تنحرف بعض الميزات عند تشغيل النموذج في الإنتاج، مما قد يشير إلى الحاجة إلى إعادة تدريب النموذج.

مراقبة النماذج قيد الإنتاج. على سبيل المثال، يمكنك عرض المخططات التي تحتوي على ميزات النموذج الهامة والإحصائيات الموجزة، ومراقبتها مع مرور الوقت، ومقارنتها مع الميزات المستخدمة في التدريب. تنحرف بعض الميزات عند تشغيل النموذج في الإنتاج، مما قد يشير إلى الحاجة إلى إعادة تدريب النموذج.

 اضغط للتكبير

فقط من خلال AMAZON SAGEMAKER

التحقق من صحة التنبؤات من خلال المراجعة البشرية

تتطلب العديد من تطبيقات تعلم الآلة من البشر مراجعة تنبؤات منخفضة الثقة لضمان صحة النتائج. لكنَّ بناء المراجعة البشرية في سير العمل قد يكون مكلفًا ويستغرق وقتًا طويلاً وينطوي على عمليات معقدة. يعتبر الذكاء الاصطناعي المعزز من Amazon بمثابة خدمة تجعل عملية بناء مسارات العمل المطلوبة من أجل المراجعة البشرية لتنبؤات تعلم الآلة أمرًا سهلاً. يوفر الذكاء الاصطناعي المعزز سير عمل المراجعات البشرية المدمجة لحالات الاستخدام الشائعة لتعلم الآلة. يمكنك أيضًا إنشاء مسارات العمل الخاصة بك للنماذج المستندة إلى Amazon SageMaker. مع الذكاء الاصطناعي المعزز يمكنك السماح للمراجعين البشريين بالتدخل عندما يكون النموذج غير قادر على إجراء تنبؤات عالية الثقة.

تعرّف على المزيد »

استخدام Kubeflow Pipelines لتنسيق وجدولة المهمة

تعد Amazon SageMaker Components for Kubeflow Pipelines، التي تجري معاينتها الآن، مكونات إضافية مفتوحة المصدر تسمح لك باستخدام Kubeflow Pipelines لتحديد تدفقات عمل ML الخاصة بك واستخدام SageMaker في خطوات تصنيف البيانات والتدريب والاستدلال. Kubeflow Pipelines هو مكون إضافي في Kubeflow يسمح لك ببناء ونشر مسارات ML شاملة وقابلة للتوسع وللنقل. ومع ذلك، عند استخدام Kubeflow Pipelines، تحتاج فرق تشغيل ML لإدارة مجموعة Kubernetes مع مثيلات وحدة المعالجة المركزية ووحدة معالجة الرسومات، مع الحفاظ على استخدامها مستمرًا في جميع الأوقات لتقليل تكاليف التشغيل. إن تحقيق أقصى استفادة من مجموعة ما من خلال فرق علوم البيانات يمثل مهمة صعبة ويضيف تكاليف تشغيل إضافية إلى فرق تشغيل ML. كبديل لمجموعة Kubernetes المُحسّنة لـ ML، وباستخدام Amazon SageMaker Components for Kubeflow Pipelines، يمكنك الاستفادة من مزايا SageMaker القوية مثل تصنيف البيانات، وضبط المعلمات الفائقة المُدارة بالكامل على نطاق واسع، والمهام التدريبية الموزعة، ونشر نموذج آمن وقابل للتوسع بنقرة واحدة، والتدريب الفعال من حيث التكلفة من خلال مثيلات EC2 Spot دون الحاجة إلى تكوين وإدارة مجموعات Kubernetes خصيصًا لتشغيل مهمات تعلم الآلة.  

التكامل مع Kubernetes للتنسيق والإدارة

يعد Kubernetes نظامًا مفتوح المصدر، ويُستخدم لتشغيل عمليات نشر التطبيقات داخل الحاويات، وتوسيع نطاقها، وإدارتها، آليًا. يريد العديد من العملاء استخدام الإمكانات المدارة بالكامل من Amazon SageMaker لتعلم الآلة، ولكنهم يريدون أيضًا أن تواصل فرق النظام الأساسي والبنية التحتية استخدام Kubernetes لتنسيق وإدارة مسارات المعالجة. يتيح SageMaker للمستخدمين تدريب ونشر النماذج في SageMaker باستخدام مشغلي Kubernetes.

تكاليف استدلال أقل لتعلم الآلة تصل إلى 75% باستخدام Amazon Elastic Inference

في معظم تطبيقات التعلم العميق، يمكن أن يكون إجراء التنبؤات باستخدام نموذج مدرب، عملية تسمى الاستدلال، عاملاً رئيسًا في تكاليف الحوسبة للتطبيق. قد يتم تضخيم حجم مثيل وحدة معالجة الرسومات الكامل لإجراء استدلال النموذج. إضافةً إلى ذلك، قد يكون من الصعب تحسين احتياجات وحدة معالجة الرسومات، ووحدة المعالجة المركزية، والذاكرة، لتطبيق التعلم العميق الخاص بك. تعمل Amazon Elastic Inference على حل هذه المشكلات من خلال السماح لك بإرفاق الكمية المناسبة من تسريع الاستدلال الذي تدعمه وحدة معالجة الرسومات بأي نوع مثيلات في Amazon EC2، أو Amazon SageMaker، أو مهمة Amazon ECS، بدون تغييرات في الرمز. باستخدام Elastic Inference، يمكنك اختيار نوع المثيل الأنسب لاحتياجات وحدة المعالجة المركزية والذاكرة الكلية للتطبيق الخاص بك، وبعدها يمكنك تكوين مقدار تسريع الاستدلال الذي تحتاج إليه بشكل منفصل لاستخدام الموارد بكفاءة وتقليل تكلفة تشغيل الاستدلال.

75%

تكاليف استدلال أقل

احصل على واجهة بتكلفة أقل وأداء عال في السحابة

باستخدام Amazon SageMaker، يمكنك نشر نماذج تعلم الآلة المدرَّبة خاصتك في مثيلات Amazon Inf1، والتي أنشئت باستخدام رقاقة AWS Inferentia لتوفير واجهة ذات تكلفة أقل وأداء عال. باستخدام مثيلات Inf1، يمكنك تشغيل تطبيقات عمليات استدلال تعلم الآلة على نطاق واسع، مثل تطبيقات التعرّف على الصور والتعرف على الكلام ومعالجة اللغة الطبيعية وإضفاء الطابع الشخصي واكتشاف العمليات الاحتيالية. باستخدام Amazon SageMaker Neo، يمكنك تحويل نماذج تعلم الآلة المدرَّبة خاصتك برمجيًا للتشغيل المثالي في مثيلات Inf1 للواجهة في الوقت الفعلي.

بدء استخدام Amazon SageMaker

ابدأ الإنشاء باستخدام Amazon Sagemaker بوحدة الإدارة في AWS.