Einführung von Amazon SageMaker – Beschleunigung von maschinellem Lernen

Veröffentlicht am: 19. Okt. 2023

Heute führen wir Amazon SageMaker in der AWS Secret Region ein. Bei Amazon SageMaker handelt es sich um einen vollständig verwalteten End-to-End-ML-Service, mit dessen Hilfe Datenwissenschaftler, Entwickler und Machine-Learning-Experten Machine-Learning-Modelle beliebiger Größe schnell erstellen, trainieren und bereitstellen können. Dies sorgt für eine enorme Beschleunigung all Ihrer Anstrengungen im Bereich Machine Learning und ermöglicht Ihnen die rasche Erweiterung der eigenen Produktionsanwendungen um Machine Learning.

 Wir führen fünf Hauptkomponenten für Amazon SageMaker ein:

• Authoring: Hosted Jupyter Notebook-IDEs ohne Einrichtung für die Datenexploration, -bereinigung und -vorverarbeitung. Sie können diese auf allgemeinen Instance-Typen oder GPU-gestützten Instances ausführen.
• Modelltraining: Ein dezentraler Dienst zum Erstellen, Trainieren und Validieren von Modellen. Sie können integrierte gängige überwachte und unüberwachte Lernalgorithmen und Frameworks verwenden oder mit Docker-Containern Ihr eigenes Training erstellen. Das Training kann Dutzende von Instances nutzen, um eine schnellere Modellerstellung zu unterstützen. Die Trainingsdaten werden aus S3 gelesen und die Modellartefakte werden in S3 gespeichert. Die Modellartefakte sind die datenabhängigen Modellparameter, nicht der Code, mit dem Sie Rückschlüsse aus Ihrem Modell ziehen können. Diese Trennung der Aufgabenbereiche erleichtert die Bereitstellung von mit Amazon SageMaker trainierten Modellen auf anderen Plattformen.
• Modell-Hosting: Ein Modell-Hosting-Dienst mit HTTPs-Endpunkten zum Aufrufen Ihrer Modelle, um Echtzeit-Inferenzen zu erhalten. Diese Endpunkte können skaliert werden, um den Datenverkehr zu unterstützen, und ermöglichen es Ihnen, mehrere Modelle gleichzeitig einem A/B-Test zu unterziehen. Auch hier können Sie diese Endpunkte mithilfe des integrierten SDK erstellen oder Ihre eigenen Konfigurationen mit Docker-Images bereitstellen. Amazon SageMaker Neo: Dies erlaubt es Kunden Modelle einmal zu trainieren und sie an jedem Ort mit bis zu siebenfacher Leistungsverbesserung auszuführen. Anwendungen, die auf verbundenen Geräten am Rand ausgeführt werden, sind besonders empfindlich für die Leistung von Machine-Learning-Modellen. Sie erfordern Entscheidungen mit geringer Latenz und werden häufig auf einer großen Anzahl unterschiedlicher Hardwareplattformen eingesetzt.
• Der Amazon SageMaker Neo stellt Modelle für bestimmte Hardwareplattformen zusammen und optimiert deren Leistung automatisch, sodass sie mit bis zu siebenfacher Leistung laufen können, ohne dass die Genauigkeit beeinträchtigt wird. Daher müssen Entwickler ihre geschulten Modelle nicht mehr für jede Hardwareplattform manuell abstimmen (Zeit und Kosten sparen). DER SageMaker Neo unterstützt Hardware-Plattformen von NVIDIA, Intel, Xilinx, Cadence und Arm sowie beliebte Frameworks wie Tensorflow, Apache MXNet und PyTorch.
• Amazon SageMaker GroundTruth: Wenn Sie die Flexibilität haben möchten, Ihre eigenen Workflows und Mitarbeiter für das Daten-Labeling zu entwickeln und zu verwalten, können Sie SageMaker Ground Truth verwenden. SageMaker Ground Truth ist ein Daten-Labeling-Service, der die Beschriftung von Daten vereinfacht und Ihnen die Möglichkeit gibt, Drittanbieter oder Ihre eigenen Mitarbeitern zu verwenden. Sie können auch beschriftete synthetische Daten erzeugen, ohne reale Daten manuell zu sammeln oder zu beschriften. SageMaker Ground Truth kann in Ihrem Auftrag Hunderttausende von automatisch beschrifteten synthetischen Bildern erzeugen.

Der Inhalt dieses Beitrags dient ausschließlich zu Informationszwecken. Für weitere Informationen zur Amazon Sagemaker in der AWS Secret Cloud kontaktieren Sie uns bitte.