Die automatische Modelloptimierung in Amazon SageMaker ist jetzt allgemein verfügbar. Amazon SageMaker kann ein Modell automatisch optimieren, indem Tausende verschiedene Kombinationen von Algorithmusparametern angepasst werden, um die genauesten Vorhersagen zu erzielen, die mit dem Modell möglich sind.

Die Optimierung des Modells für maximale Präzision erfordert zwei wesentliche Schritte: die Anpassung der Dateneingaben an das Modell (z. B. Logarithmus einer Zahl) und die Anpassung der Parameter des Algorithmus. Diese werden als Hyperparameter bezeichnet und die Ermittlung der richtigen Werte kann schwierig sein. In der Regel wird mit einem zufälligen Wert begonnen, der wiederholt angepasst wird, um die Auswirkungen jeder Änderung zu beobachten. Abhängig von der Anzahl der Hyperparameter im Modell kann dieser Zyklus sehr lange dauern.

Amazon SageMaker bietet für Schulungen optionales automatische Modelloptimierung an. Das vereinfacht diesen Prozess. Amazon SageMaker greift bei der Optimierungs Ihres Modells für Machine Learning auf Machine Learning-Modelle zurück. Dazu erlernt der Algorithmus die Auswirkungen verschiedener Datentypen auf das Modell und wendet dieses Wissen auf zahlreiche Kopien des Modells an, um schnell das bestmögliche Ergebnis zu ermitteln. Als Entwickler oder Datenwissenschaftler müssen Sie sich daher nur mit den gewünschten Anpassungen an den Eingabedaten für das Modell beschäftigen und können somit zahlreiche Aspekte des Trainings ignorieren. Zum Starten der automatischen Modelloptimierung geben Sie einfach die Anzahl der Trainingsjobs über die API ein und Amazon SageMaker übernimmt den Rest.

Die automatische Modelloptimierung ist ab sofort in den AWS-Regionen USA Ost (Nord-Virginia), USA Ost (Ohio), USA West (Oregon), Europa (Irland) und Asien-Pazifik (Tokio) verfügbar. Weitere Informationen über die automatische Modelloptimierung finden Sie auf der Dokumentationsseite und im Blog-Post. Dort wird beschrieben, wie Sie die automatische Modelloptimierung für Ihre Trainingsjobs nutzen.