发布于: Nov 28, 2018
Amazon Sagemaker 现支持推理管道的部署，因此您可以传递原始输入数据并对实时和批量推理请求执行预处理、预测和后处理。SageMaker 还支持两种新的机器学习框架：Scikit-learn 和 Spark ML。借助 Amazon SageMaker 中新型 SparkML 和 scikit-learn 框架上可用的一套功能转换器，可以轻松构建和部署特征预处理管道。此外，这些新功能还可以让您一次编写 SparkML 和 Scikit-learn 代码，并将其重复用于培训和推理，从而提供预处理步骤的一致性并更轻松地管理机器学习过程。
通常，在训练机器学习模型之前花费大量时间来清理和准备数据。推理期间也需要应用相同的步骤。以往，推断请求的输入数据首先需要在客户端应用程序中执行数据处理和特征工程步骤，然后才能发送到 Amazon SageMaker 进行预测或包含在推理容器中。使用新型推理管道，您可以捆绑并导出培训中使用的预处理和后处理步骤，并将它们作为推理管道的一部分来进行部署。推理管道可以由 Amazon SageMaker 上可用的任何机器学习框架、内置算法或自定义容器构成。
所有这些增强功能现已在提供 Amazon SageMaker 的所有 AWS 地区推出。有关更多信息，请参阅文档。