跳至主要内容

Amazon SageMaker Canvas

Amazon SageMaker Canvas

使用直观的界面构建极其准确的机器学习模型,无需编写任何代码

什么是 SageMaker Canvas?

Amazon SageMaker Canvas 让您可以转换 PB 级数据,且无需编码即可构建、评估和部署生产就绪型机器学习(ML)模型。在统一、安全的企业环境中,它可以简化端到端机器学习生命周期。随着 SageMaker Canvas 中现已推出 Amazon Q 开发者版,您可以通过对话式聊天功能,在整个机器学习之旅(从数据准备到模型部署)中获得指导

SageMaker Canvas 可促进团队之间的协作,为生成的代码提供透明度,并通过模型版本控制和访问控制来确保治理。借助 SageMaker Canvas,您可以让所有技能水平的人员都参与到机器学习的开发中,无论其编码专业知识如何,都可以加速创新并更快地解决业务问题。

SageMaker Canvas 的优势

从数据准备到构建、评估和部署 PB 级模型,访问整个生命周期内的端到端机器学习功能。
Canvas 使用多种算法训练多个模型,以生成高精度的自定义机器学习模型,所有这些都通过无代码体验实现。
支持与其他 AWS 服务(包括用于治理和机器学习操作的 SageMaker 模型注册表和 Amazon DataZone)进行模型共享和集成。
通过代码级别的透明度促进与专家的协作。
使用自然语言聊天来描述您的目标。Amazon Q 开发者版可指导您完成从数据准备到模型构建的机器学习过程,同时解决有关数据和模型的查询。

在整个机器学习生命周期中构建

1

Missing alt text value

以可视化方式准备 PB 级数据

  • 访问和导入来自 50 多个来源的数据,这些来源包括 Amazon S3、Athena、Redshift、Snowflake 和 Databricks 等等
  • 通过 300 多种预构建的分析和转换来提高数据质量和模型性能
  • 使用直观的低代码/无代码界面,以可视化方式构建和优化您的数据管道
  • 只需单击几下鼠标,即可扩展到 PB 级数据

2

Missing alt text value

使用 Amazon Q 开发者版进行聊天指导的机器学习开发

  • 使用自然语言描述您的业务问题,通过聊天界面让 Amazon Q 开发者版在整个机器学习过程中指导您找到解决方案
  • Q 开发者版将问题分解为可操作的机器学习任务,并协助进行数据准备、模型构建、评估和部署
  • 在机器学习术语以及您的数据和模型方面提出问题并获得答案
  • Q 开发者版应用高级数据准备和模型构建技术,同时允许在完全掌控之下独立执行任务

3

Missing alt text value

跨多种问题类型来训练和评估模型

  • 利用 AutoML 的强大功能,针对您的特定使用案例自动探索和优化模型
  • 只需单击几下鼠标,即可训练模型以进行回归、分类、时间序列预测、自然语言处理、计算机视觉以及对基础模型进行微调
  • 使用灵活的目标指标、数据拆分和模型控制(例如算法选择和超参数)选项来定制模型训练
  • 通过交互式可视化和模型解释来深入了解模型性能
  • 从模型排行榜中选择表现最佳的模型,然后导出所生成的代码以供进一步自定义

4

Missing alt text value

大规模生成准确的预测 – 批量或实时

  • 直接在应用程序内执行交互式预测和假设分析
  • 只需单击一下鼠标,即可将模型部署到 SageMaker 端点以进行实时推理,或者临时或按自动计划执行批量预测
  • 通过在 SageMaker 模型注册表中注册模型,确保治理和版本控制
  • 与 Amazon SageMaker Studio 无缝共享模型,实现高级自定义和协作
  • 使用 Amazon QuickSight 将预测结果可视化并与利益相关方分享,以便增强决策能力

协作并确保治理

1

Missing alt text value

促进跨团队协作和知识共享

  • 使用 SageMaker Studio 轻松共享模型,以便与数据科学家和专家协作
  • 使用数据科学家在 Canvas 工作空间内构建的模型来生成预测
  • 借助自动生成的笔记本来提高代码透明度,从而增强信任
  • 通过 Amazon QuickSight 控制面板与利益相关方共享模型、预测和洞察
  • 维护版本控制和模型沿袭跟踪,确保团队间的可再现性和可追溯性

2

Missing alt text value

确保治理和 MLOps 最佳实践

  • 实施精细的用户级权限和访问控制,以实现安全的模型管理
  • 通过单点登录(SSO)功能实现无缝身份验证
  • 通过在 SageMaker 模型注册表中注册模型来遵循模型治理和版本控制
  • 导出模型笔记本以进行进一步的自定义和集成,从而简化 MLOps 管道
  • 通过自动关闭功能来优化成本和资源利用

使用基础模型进行构建

  • 轻松比较并选择最适合您任务的基础模型
  • 只需单击几下鼠标,即可使用所标注的训练数据集,针对业务使用案例来微调基础模型
Screenshot of the Amazon SageMaker Canvas interface showing the fine-tuning process for a machine learning model, specifically the selection of input and output columns, with options to choose base models and data types for training, including User Utterance and Bot Response.

利用您的生成式人工智能

  • 查询您存储在 Amazon Kendra 中的自有文档和知识库,以便生成量身定制的输出
  • 通过交互式可视化、模型解释和排行榜,深入了解模型性能
  • 将最合适的基础模型产品化,并部署到实时 SageMaker 端点
Screenshot of the Amazon SageMaker Canvas interface showing AI-generated summaries and extractions of content related to marketing campaign KPIs, with options for querying and comparing responses from different AI models.

使用案例

使用产品消费和购买历史数据来了解销售倾向并发现客户流失模式。
将历史销量及需求数据与相关 Web 流量、定价、产品类别和假期数据相结合,预测库存水平。
通过分析传感器数据和维护日志来预测制造设备的故障,避免停机时间。
创建个性化、引人入胜的高质量销售和营销内容,例如社交媒体帖子、产品描述和电子邮件营销活动。
分析和提取各种文档(例如保险索赔、发票、费用报告或身份证件)中的信息。

找到今天要查找的内容了吗?

请提供您的意见,以便我们改进网页内容的质量。