Veröffentlicht am: Nov 28, 2018
Amazon SageMaker unterstützt ab sofort neue Funktionen zur besseren Organisation sowie einer verbesserten Durchführung von Experimenten und Kollaboration für Machine Learning (ML)-Workflows. AWS Step Functions ist jetzt in Amazon SageMaker und AWS Glue integriert, wodurch das Erstellen, Bereitstellen, Überwachen und Iterieren von ML-Workflows vereinfacht wird. Mit AWS Step Functions können Sie ab sofort ML-Workflows automatisieren, indem Sie mehrere Amazon SageMaker-Aufgaben in wenigen Minuten und mit weniger Code verbinden. Es gibt eine neue Funktion, die Ihnen hilft, Ihre ML-Trainingsexperimente mit Amazon SageMaker Search zu organisieren, nachzuvollziehen und auszuwerten. Sie ist ab heute in der Beta-Version verfügbar. Endlich können Sie nun GitHUb, AWS CodeCommit und jedes selbst gehostete Git-Repository mit Amazon SageMaker Notebook-Instances verknüpfen, um einfach und sicher zusammenzuarbeiten und die Versionskontrolle mit Jupyter Notebooks sicherzustellen. Weitere Informationen erhalten Sie in der AWS Step Functions-Dokumentation.
Typischerweise umfasst die Automatisierung von ML-Workflows das Schreiben und Pflegen von Code zur Definition der Workflow-Logik, die Überwachung der Fertigstellung jedes Auftrags und die Behebung von Fehlern. ML-Modelle müssen für große Datenmengen verwaltet werden, bevor sie in Produktionsumgebungen eingesetzt werden können. Eine erneute Bereitstellung ist immer dann erforderlich, wenn sich ein Modell ändert, und es bedarf mehrerer Teams, um sicherzustellen, dass das Modell wie erwartet funktioniert. Dieser gesamte Prozess ist komplex und kann die Bereitstellung von Anwendungen verlangsamen. Durch die Integration von AWS Step Functions und Amazon SageMaker können Sie die Veröffentlichung großer, vielfältiger Datenmengen in einem Amazon S3 Data Lake automatisieren, ML-Modelle trainieren und diese Modelle in der Produktion einsetzen. AWS Step Functions kann Aufträge parallel sequenzieren und ausführen und automatisch alle fehlgeschlagenen Aufträge erneut ausführen. Die Integration umfasst eine integrierte Fehlerbehandlung, die Übergabe von Parametern und die Statusverwaltung. Dies ermöglicht eine Beschleunigung bei der Bereitstellung sicherer, robuster ML-Anwendungen und reduziert gleichzeitig die Menge an Code, die Sie schreiben und pflegen müssen.
Die Entwicklung eines erfolgreichen ML-Modells erfordert kontinuierliches Experimentieren, das Ausprobieren neuer Algorithmen und Hyperparameter, während gleichzeitig alle Auswirkungen auf Leistung und Genauigkeit beobachtet werden. Dies erschwert die Verfolgung der einzigartigen Kombination von Datenmengen, Algorithmen und Parametern, um das optimale Modell zu erhalten. Mit Amazon SageMaker Search können Sie nun Ihre Experimente zum Machine Learning-Modelltraining organisieren, nachvollziehen und auswerten. SageMaker Search hilft Ihnen, die wichtigsten Modelltrainingsläufe aus den potenziell Tausenden von Modelltrainingsläufen schnell zu finden und auszuwerten, und zwar direkt aus der AWS-Managementkonsole und über das AWS SDK für Amazon SageMaker. Search ist in 13 AWS-Regionen, in denen Amazon SageMaker derzeit verfügbar ist, in der Beta-Version verfügbar. Weitere Informationen finden Sie hier.
Oft ist es erforderlich, Ideen, Aufgaben und Kollaboration gemeinsam zu nutzen, um Fortschritte beim Machine Learning zu erzielen. Der de-facto-Standard für die Zusammenarbeit mit der traditionellen Softwareentwicklung ist die Versionskontrolle, die auch beim Machine Learning eine wichtige Rolle spielt. Ab sofort können Sie GitHUb, AWS CodeCommit und jedes selbst gehostete Git-Repository mit Amazon SageMaker Notebook-Instances verknüpfen, um einfach und sicher zusammenzuarbeiten und die Versionskontrolle mit Jupyter Notebooks sicherzustellen. Durch die Verwendung von Git-Repositorys mit Jupyter Notebooks ist es einfach, Projekte mit zu schreiben, Code-Änderungen zu verfolgen und Software-Engineering und datenwissenschaftliche Verfahren für ein produktionsreifes Code-Management zu kombinieren. Machine Learning- und Deep Learning-Techniken, die auf Jupyter Notebooks bereitgestellt und in GitHub gehostet werden, können problemlos erkannent, ausgeführet und gemeinsam genutzt werden. Weitere Informationen finden Sie hier im Blog.
Typischerweise umfasst die Automatisierung von ML-Workflows das Schreiben und Pflegen von Code zur Definition der Workflow-Logik, die Überwachung der Fertigstellung jedes Auftrags und die Behebung von Fehlern. ML-Modelle müssen für große Datenmengen verwaltet werden, bevor sie in Produktionsumgebungen eingesetzt werden können. Eine erneute Bereitstellung ist immer dann erforderlich, wenn sich ein Modell ändert, und es bedarf mehrerer Teams, um sicherzustellen, dass das Modell wie erwartet funktioniert. Dieser gesamte Prozess ist komplex und kann die Bereitstellung von Anwendungen verlangsamen. Durch die Integration von AWS Step Functions und Amazon SageMaker können Sie die Veröffentlichung großer, vielfältiger Datenmengen in einem Amazon S3 Data Lake automatisieren, ML-Modelle trainieren und diese Modelle in der Produktion einsetzen. AWS Step Functions kann Aufträge parallel sequenzieren und ausführen und automatisch alle fehlgeschlagenen Aufträge erneut ausführen. Die Integration umfasst eine integrierte Fehlerbehandlung, die Übergabe von Parametern und die Statusverwaltung. Dies ermöglicht eine Beschleunigung bei der Bereitstellung sicherer, robuster ML-Anwendungen und reduziert gleichzeitig die Menge an Code, die Sie schreiben und pflegen müssen.
Die Entwicklung eines erfolgreichen ML-Modells erfordert kontinuierliches Experimentieren, das Ausprobieren neuer Algorithmen und Hyperparameter, während gleichzeitig alle Auswirkungen auf Leistung und Genauigkeit beobachtet werden. Dies erschwert die Verfolgung der einzigartigen Kombination von Datenmengen, Algorithmen und Parametern, um das optimale Modell zu erhalten. Mit Amazon SageMaker Search können Sie nun Ihre Experimente zum Machine Learning-Modelltraining organisieren, nachvollziehen und auswerten. SageMaker Search hilft Ihnen, die wichtigsten Modelltrainingsläufe aus den potenziell Tausenden von Modelltrainingsläufen schnell zu finden und auszuwerten, und zwar direkt aus der AWS-Managementkonsole und über das AWS SDK für Amazon SageMaker. Search ist in 13 AWS-Regionen, in denen Amazon SageMaker derzeit verfügbar ist, in der Beta-Version verfügbar. Weitere Informationen finden Sie hier im Blog.
Oft ist es erforderlich, Ideen, Aufgaben und Kollaboration gemeinsam zu nutzen, um Fortschritte beim Machine Learning zu erzielen. Der de-facto-Standard für die Zusammenarbeit mit der traditionellen Softwareentwicklung ist die Versionskontrolle, die auch beim Machine Learning eine wichtige Rolle spielt. Ab sofort können Sie GitHUb, AWS CodeCommit und jedes selbst gehostete Git-Repository mit Amazon SageMaker Notebook-Instances verknüpfen, um einfach und sicher zusammenzuarbeiten und die Versionskontrolle mit Jupyter Notebooks sicherzustellen. Durch die Verwendung von Git-Repositorys mit Jupyter Notebooks ist es einfach, Projekte mit zu schreiben, Code-Änderungen zu verfolgen und Software-Engineering und datenwissenschaftliche Verfahren für ein produktionsreifes Code-Management zu kombinieren. Machine Learning- und Deep Learning-Techniken, die auf Jupyter Notebooks bereitgestellt und in GitHub gehostet werden, können problemlos erkannent, ausgeführet und gemeinsam genutzt werden. Weitere Informationen finden Sie hier im Blog.
Typischerweise umfasst die Automatisierung von ML-Workflows das Schreiben und Pflegen von Code zur Definition der Workflow-Logik, die Überwachung der Fertigstellung jedes Auftrags und die Behebung von Fehlern. ML-Modelle müssen für große Datenmengen verwaltet werden, bevor sie in Produktionsumgebungen eingesetzt werden können. Eine erneute Bereitstellung ist immer dann erforderlich, wenn sich ein Modell ändert, und es bedarf mehrerer Teams, um sicherzustellen, dass das Modell wie erwartet funktioniert. Dieser gesamte Prozess ist komplex und kann die Bereitstellung von Anwendungen verlangsamen. Durch die Integration von AWS Step Functions und Amazon SageMaker können Sie die Veröffentlichung großer, vielfältiger Datenmengen in einem Amazon S3 Data Lake automatisieren, ML-Modelle trainieren und diese Modelle in der Produktion einsetzen. AWS Step Functions kann Aufträge parallel sequenzieren und ausführen und automatisch alle fehlgeschlagenen Aufträge erneut ausführen. Die Integration umfasst eine integrierte Fehlerbehandlung, die Übergabe von Parametern und die Statusverwaltung. Dies ermöglicht eine Beschleunigung bei der Bereitstellung sicherer, robuster ML-Anwendungen und reduziert gleichzeitig die Menge an Code, die Sie schreiben und pflegen müssen.
Die Entwicklung eines erfolgreichen ML-Modells erfordert kontinuierliches Experimentieren, das Ausprobieren neuer Algorithmen und Hyperparameter, während gleichzeitig alle Auswirkungen auf Leistung und Genauigkeit beobachtet werden. Dies erschwert die Verfolgung der einzigartigen Kombination von Datenmengen, Algorithmen und Parametern, um das optimale Modell zu erhalten. Mit Amazon SageMaker Search können Sie nun Ihre Experimente zum Machine Learning-Modelltraining organisieren, nachvollziehen und auswerten. SageMaker Search hilft Ihnen, die wichtigsten Modelltrainingsläufe aus den potenziell Tausenden von Modelltrainingsläufen schnell zu finden und auszuwerten, und zwar direkt aus der AWS-Managementkonsole und über das AWS SDK für Amazon SageMaker. Search ist in 13 AWS-Regionen, in denen Amazon SageMaker derzeit verfügbar ist, in der Beta-Version verfügbar. Weitere Informationen finden Sie hier im Blog.
Oft ist es erforderlich, Ideen, Aufgaben und Kollaboration gemeinsam zu nutzen, um Fortschritte beim Machine Learning zu erzielen. Der de-facto-Standard für die Zusammenarbeit mit der traditionellen Softwareentwicklung ist die Versionskontrolle, die auch beim Machine Learning eine wichtige Rolle spielt. Ab sofort können Sie GitHUb, AWS CodeCommit und jedes selbst gehostete Git-Repository mit Amazon SageMaker Notebook-Instances verknüpfen, um einfach und sicher zusammenzuarbeiten und die Versionskontrolle mit Jupyter Notebooks sicherzustellen. Durch die Verwendung von Git-Repositorys mit Jupyter Notebooks ist es einfach, Projekte mit zu schreiben, Code-Änderungen zu verfolgen und Software-Engineering und datenwissenschaftliche Verfahren für ein produktionsreifes Code-Management zu kombinieren. Machine Learning- und Deep Learning-Techniken, die auf Jupyter Notebooks bereitgestellt und in GitHub gehostet werden, können problemlos erkannent, ausgeführet und gemeinsam genutzt werden. Weitere Informationen finden Sie hier im Blog.