Amazon SageMaker 常见问题

下一代 SageMaker 是用于数据、分析和人工智能的统一平台。下一代 SageMaker 汇集了广泛采用的 AWS 机器学习（ML）和分析功能，可统一访问您的所有数据，为分析和人工智能提供一体式体验。SageMaker 让您能够使用熟悉的 AWS 服务进行模型开发、生成式人工智能、数据处理和 SQL 分析，在 Unified Studio（预览版）中加快协作和构建，并借助最强大的生成式人工智能软件开发助手 Amazon Q 开发者版提升效率。此外，无论数据存储在数据湖、数据仓库、第三方还是联合数据来源中，您都可以访问所有数据，内置治理功能可满足企业安全需求。

我们利用 AWS 数据、分析和人工智能功能的综合集，对广泛采用的 SageMaker 服务进行了扩展，以提供统一的数据、分析和人工智能体验。展望未来，SageMaker 中用于数据整理、构建、训练和部署 AI 模型的现有 AI/ML 功能集将称为 Amazon SageMaker AI。SageMaker AI 集成在下一代 SageMaker 中，也可作为独立服务提供给希望专注于大规模构建、训练和部署人工智能和 ML 模型的用户。

下一代 SageMaker 包括：

• Amazon SageMaker Unified Studio（预览版）：在单一的开发环境中构建，以访问和使用 Amazon EMR、AWS Glue、Amazon Athena、Amazon Redshift、Amazon Bedrock 和 SageMaker AI 等 AWS 专为分析和 AI/ML 服务打造的熟悉工具和功能。
• Amazon SageMaker Lakehouse：统一 Amazon Simple Storage Service (Amazon S3) 数据湖、Amazon Redshift 数据仓库、第三方和联合数据来源中的数据。
• Amazon SageMaker 数据和人工智能治理：使用基于 Amazon DataZone 构建的 Amazon SageMaker Catalog，安全地发现、治理和协作处理数据和人工智能。

下一代 SageMaker 包括以下功能：

• SageMaker Unified Studio（预览版）：在单一环境中使用用于分析和人工智能的所有数据和工具进行构建。
• SageMaker Lakehouse：使用 SageMaker Lakehouse 统一 Amazon S3 数据湖、Amazon Redshift 数据仓库、第三方和联合数据来源的数据。
• SageMaker 数据和人工智能治理：使用基于 Amazon DataZone 构建的 SageMaker Catalog，安全地发现、治理和协作处理数据和人工智能。
• 模型开发：借助 SageMaker AI（前身为 SageMaker），使用完全托管的基础设施、工具和工作流程，以构建、训练和部署机器学习和基础模型（FM）。
• 生成式人工智能应用程序开发：使用 Amazon Bedrock 构建和扩展生成式人工智能应用程序。
• SQL 分析：使用性价比最高的 SQL 引擎 Amazon Redshift 获得见解。
• 数据处理：使用 Athena、Amazon EMR 和 AWS Glue 上的开源框架分析、准备和集成用于分析和人工智能的数据。

下一代 SageMaker 汇集了广泛采用的 AWS 机器学习和分析功能，可统一访问您的所有数据，为分析和人工智能提供一体式体验。这种统一的方法可帮助您更高效地处理数据、加强跨团队协作并提高整体工作效率。

SageMaker 使您可以：

• 将熟悉的 AWS 服务用于模型开发、生成式人工智能、数据处理和 SQL 分析，从而通过单一数据和人工智能开发环境加速协作和构建。
• 使用大量工具开发和扩展您的人工智能使用案例，以训练、自定义和部署机器学习和基础模型，并快速创建为业务量身定制的生成式人工智能应用程序。
• 使用开放式湖仓以统一 Amazon S3 数据湖、Amazon Redshift 数据仓库、第三方或联合数据来源中的所有数据，从而减少数据孤岛。
• 通过内置的数据和人工智能治理满足您的企业安全需求，以控制合适的用户出于合适的目的访问合适的数据、机器学习模型、生成式人工智能开发构件和计算资源。

符合。您可以根据您的特定业务需求，继续单独使用个别 AWS 服务，例如 SageMaker AI（前身为 SageMaker）、用于大数据处理的 Amazon EMR、AWS Glue 和用于数据仓库的 Amazon Redshift。这不会影响您目前使用个别服务的方式。

SageMaker 通过提供统一、用户友好的界面来访问这些服务，从而提供其他优势。这种方法可以帮助您更有效地利用数据进行创新，增强团队间的协作并提高整体工作效率。

SageMaker 汇集了包含 SageMaker Unified Studio（预览版）、SageMaker 数据和人工智能治理以及 SageMaker Lakehouse 的一套全面的 AWS 人工智能和分析服务集。

通过 SageMaker Unified Studio，您可以使用现有的 AWS 服务访问数据处理、SQL 分析、机器学习和生成式人工智能应用程序开发等功能。在数据处理方面，使用 Athena、AWS Glue、Amazon EMR 和 Amazon Managed Workflows for Apache Airflow (Amazon MWAA) 等服务，以分析、准备、集成和编排任意规模的用于分析和人工智能的数据。在 SQL 分析方面，Amazon Redshift 可与 SageMaker Lakehouse 无缝集成，为您跨 Amazon Redshift 数据仓库和 Amazon S3 数据湖的统一数据提供强大的 SQL 分析功能。机器学习功能由 SageMaker AI（前身为 SageMaker）提供，用于构建、训练和部署机器学习和基础模型。此外，您还可以使用 Amazon Bedrock IDE（预览版）开发生成式人工智能应用程序。

SageMaker 数据和人工智能治理通过基于 Amazon DataZone 构建的 SageMaker Catalog 中的统一数据管理体验，提供端到端内置治理，以安全地发现、治理和协作处理数据和人工智能。

SageMaker Lakehouse 基于 AWS Glue Data Catalog、AWS Lake Formation 和 Amazon Redshift 的多个目录服务构建，可提供 Amazon S3 数据湖、Amazon Redshift 数据仓库、第三方和联合数据来源的统一数据访问。

此外，这些服务仍可通过 AWS 管理控制台作为独立功能使用，从而让您可以根据自己的使用案例灵活使用。我们将在 2025 年通过更多服务来增强 SageMaker，以统一分析和人工智能方面的体验。这些服务包括使用 Amazon OpenSearch Service 进行搜索分析、使用 Amazon QuickSight 实现商业智能以及使用 AWS 流媒体服务组合进行流式传输。

开始使用 SageMaker 非常简单。第一步是导航到 SageMaker Unified Studio（预览版）管理控制台，创建一个域，即用于将资产、用户及其业务部门项目连接在一起的组织实体。在管理控制台中，选择“创建域”，您将看到两个选项：快速设置功能和手动设置功能。选择“快速设置”，即可开始使用一组默认配置，稍后可对其进行自定义。或者，您也可以选择“手动设置”，在创建域时完全控制设置。域创建完成后，您可以导航到 SageMaker Unified Studio（基于浏览器的 Web 应用程序），在这里您可以使用所有数据和配置好的工具进行分析和人工智能。要详细了解如何开始使用，请访问 SageMaker 文档。

您在 Amazon EMR、AWS Glue 和 Athena 等 AWS 服务中的现有数据开发体验仍然可用。这意味着您创建的所有现有代码和资源都可以继续使用，不会中断。我们将提供易于使用的升级脚本和全面的指南，以便在 2025 年第一季度将您的现有代码库引入统一的 SageMaker 体验。

我们正在通过整合客户当前已使用的全套 AWS 数据、分析和人工智能工具集，将广泛采用的机器学习服务 SageMaker 扩展到数据和人工智能平台。我们还为新的 SageMaker 增加了新功能，包括 SageMaker Unified Studio（预览版）、SageMaker Lakehouse（GA）和 SageMaker Catalog（GA）。

新一代 Amazon SageMaker 几乎包含使用 Amazon Redshift 进行 SQL 分析、使用 Amazon EMR 进行数据处理、使用 SageMaker AI 进行人工智能模型开发以及使用新的 Amazon Bedrock IDE（预览版）进行生成式人工智能应用程序开发所需的所有组件，所有这些都通过 Unified Studio（预览版）中的集成开发体验提供。