Author: Julien Simon

今天，我非常高兴地宣布推出 Amazon SageMaker 管道，这是 Amazon SageMaker 的一项新功能，可让数据科学家和工程师轻松构建、自动化、并扩展端到端的机器学习管道。

今天，我非常高兴地宣布 Amazon SageMaker 功能库，一项 Amazon SageMaker 新功能，它可以使数据科学家和机器学习工程师轻松安全地存储、发现和共享培训和预测工作流程中使用的精选数据。
对于选择正确算法来培训机器学习 (ML) 模型的重要性，经验丰富的从业人员知道提供高质量数据有多么重要。清理数据是很好的第一步，机器学习工作流程通常包括填充缺失值、删除异常值等步骤。然后，他们经常使用被称为“特征工程”的常见技术和难懂的技术进行数据转换。

今天，我非常高兴地宣布 Amazon SageMaker 简化了大型深度学习模型的训练，而这些模型以前由于硬件限制而难以训练。

随着数据集和模型的规模越来越大、越来越复杂，从事大型分布式训练作业的机器学习 (ML) 从业人员不得不面临越来越长的训练时间，即使在使用 Amazon Elastic Compute Cloud (EC2) p3 和 p4 实例等强大的实例时也是如此。举例来说，使用配备 8 个 NVIDIA V100 GPU 的 ml.p3dn.24xlarge 实例时，需要 6 个多小时在公开可用的 COCO 数据集上训练高级对象检测模型，例如 Mask RCNN 和 Faster RCNN。同样地，在相同实例上训练最新自然语言处理模型 BERT 需要 100 多个小时。我们的一些客户，例如自动驾驶汽车公司，经常要在大型 GPU 集群上处理运行数天的更大型训练作业。
可以想象，这些长时间的训练是机器学习项目的严重瓶颈，影响了生产效率并减缓了创新。客户向我们寻求帮助，而后我们就行动了。

今天，我非常高兴地宣布推出 Amazon SageMaker 的一项新功能 Amazon SageMaker Clarify，该功能可帮助客户检测机器学习 (ML) 模型中的偏向，并且可以通过向利益相关者和客户解释模型行为来提高透明度。

今天，我非常高兴地宣布推出 Amazon SageMaker Edge Manager，它是 Amazon SageMaker 的一项新功能，可用于在边缘设备队列中更轻松地优化、保护、监控和维护机器学习模型。

今天，我非常高兴地宣布， Amazon SageMaker Debugger 现在可以分析机器学习模型，从而可以更轻松地识别和修复硬件资源使用导致的训练问题。

今天，我非常高兴地宣布推出 Amazon SageMaker Data Wrangler，一项 Amazon SageMaker 的新功能，它使数据科学家和工程师能够使用可视化界面更快地为机器学习 (ML) 应用程序准备数据。

Amazon SageMaker JumpStart 现已集成到 Amazon SageMaker Studio 中，这是用于机器学习的完全集成开发环境 (IDE)，可直观地发现模型、解决方案等。

今天，我非常高兴地宣布推出 Amazon Monitron，这是一项状态监测服务，可检测潜在故障并允许用户跟踪正在发生的故障，从而使您能够实施预测性维护，从而减少计划外停机时。