Amazon Sage​Maker

Modelle für maschinelles Lernen nach Maß erstellen, trainieren und bereitstellen

Amazon SageMaker ist ein vollständig verwalteter Service, der es Entwicklern und Datenwissenschaftlern ermöglicht, schnell und einfach Machine Learning-Modelle jeder Größenordnung zu erstellen, zu trainieren und zu implementieren. Amazon SageMaker beseitigt alle Hindernisse, die Entwickler normalerweise beim Einsatz des maschinellen Lernens behindern.

Das maschinelle Lernen fühlt sich für die meisten Entwickler häufig als viel schwieriger an, als es sein sollte, da der Prozess zum Erstellen und Trainieren von Modellen und deren anschließende Bereitstellung in der Produktion zu kompliziert und zu langsam ist. Zunächst müssen Sie die Trainingsdaten erfassen und vorbereiten, um die Elemente Ihres Datensatzes zu ermitteln, die wichtig sind. Dann müssen den Algorithmus und das Framework auswählen, die Sie verwenden möchten. Nachdem Sie sich für einen Ansatz entschieden haben, müssen Sie dem Modell durch Training beibringen, wie Vorhersagen gemacht werden. Hierfür sind umfassende Rechenkapazitäten erforderlich. Dann müssen Sie das Modell so optimieren, dass es die bestmöglichen Vorhersagen liefert, was häufig einen langwierigen und manuellen Aufwand darstellt. Nachdem Sie ein vollständig trainiertes Modell entwickelt haben, müssen Sie das Modell in Ihre Anwendung integrieren und diese Anwendung auf einer skalierbaren Infrastruktur bereitstellen. Dies alles erfordert viel Fachwissen, Zugriff auf umfangreiche Rechen- und Speicherkapazität und viel Zeit, um mit jedem Teil des Prozesses zu experimentieren und jeden einzeln zu optimieren. Da stellt es letztendlich keine Überraschung dar, dass das Ganze für die meisten Entwickler unerreichbar erscheint.

Amazon SageMaker beseitigt die Komplexität jedes einzelnen dieser Schritte, sodass die Entwickler durch nichts mehr am Erfolg gehindert werden. Amazon SageMaker enthält Module, die zusammen oder unabhängig voneinander verwendet werden können, um Ihre Modelle für das maschinelle Lernen zu erstellen, zu trainieren und zu implementieren.

Wir stellen vor: Amazon SageMaker

Funktionsweise

Entwicklung

Mit Amazon SageMaker ist es ganz einfach, ML-Modelle zu erstellen und für das Training vorzubereiten, weil es alles bietet, was Sie benötigen, um eine schnelle Verbindung zu Ihren Trainingsdaten einzurichten und den besten Algorithmus und das beste Framework für Ihre Anwendung auszuwählen und zu optimieren. Amazon SageMaker beinhaltet gehostete Jupyter-Notebooks, mit denen Sie Ihre in Amazon S3 gespeicherten Trainingsdaten einfach sondieren und visualisieren können. Sie können eine direkte Verbindung zu den Daten in S3 einrichten oder mit AWS Glue Daten aus Amazon RDS, Amazon DynamoDB und Amazon Redshift in S3 übertragen, um Sie auf Ihrem Notebook zu analysieren.

Um Ihnen bei der Auswahl Ihres Algorithmus zu helfen, enthält Amazon SageMaker die 10 gebräuchlichsten Algorithmen für das maschinelle Lernen, die vorinstalliert und optimiert wurden, um eine bis zu 10-mal höhere Leistung zu erzielen, als die, die Sie bei der anderweitigen Ausführung dieser Algorithmen vorfinden. Amazon SageMaker ist außerdem vorkonfiguriert für TensorFlow und Apache MXNet, zwei der gebräuchlichsten Open-Source-Frameworks. Sie haben auch die Möglichkeit, ein eigenes Framework zu verwenden.

Trainieren

Sie können Ihr Modell mit einem einzigen Klick in der Amazon SageMaker-Konsole trainieren. Amazon SageMaker verwaltet die gesamte zugrundeliegende Infrastruktur für Sie und kann ganz einfach skaliert werden, um Modelle in Petabyte-Größe zu trainieren. Um den Trainingsprozess noch schneller und einfacher zu gestalten, kann Amazon SageMaker Ihr Modell automatisch auf die höchstmögliche Genauigkeit abstimmen.

Bereitstellen

Sobald Ihr Modell trainiert und feineingestellt ist, ist es mit Amazon SageMaker einfach, es in der Produktion einzusetzen, sodass Sie damit beginnen können, Voraussagen für neue Daten zu generieren (ein Prozess, der Inferenz genannt wird). Amazon SageMaker setzt Ihr Modell auf einem Cluster aus Amazon EC2 Instances mit automatischer Skalierung ein, die über mehrere Availability Zones verteilt sind, um sowohl höchste Leistung, als auch höchste Verfügbarkeit zu gewährleisten. Amazon SageMaker enthält außerdem integrierte A/B-Testfunktionen, mit denen Sie Ihr Modell testen und mit verschiedenen Versionen experimentieren können, um bestmögliche Ergebnisse zu erzielen.

Amazon SageMaker befreit Sie von der Last, das Machine Learning bereitzustellen, sodass Sie schnell und einfach Machine Learning-Modelle erstellen, trainieren und implementieren können.

Vorteile

Mit Machine Learning schneller für Produktion bereit

Amazon SageMaker reduziert deutlich den Zeitaufwand, der zum Trainieren, Optimieren und Bereitstellen von Machine-Learning-Modellen erforderlich ist. Amazon SageMaker verwaltet und automatisiert alle modernen Trainings- und Tuning-Techniken, damit Ihre Modelle schneller in der Produktion eingesetzt werden können.

Beliebiges Framework und beliebigen Algorithmus auswählen

Amazon SageMaker unterstützt alle Maschinenalgorithmen und Frameworks, sodass Sie die Technologie einsetzen können, mit der Sie bereits vertraut sind. Apache MXNet und TensorFlow sind vorinstalliert und Amazon SageMaker bietet eine Reihe integrierter, leistungsstarker Machine-Learning-Algorithmen. Wenn Sie für das Training ein alternatives Framework oder einen alternativen Algorithmus verwenden möchten, können Sie Ihre eigenen in einem Docker-Container mitbringen.

Training und Bereitstellung mit einem Klick

Mit Amazon SageMaker können mit einem einzigen Klick in der Konsole oder mit einem einfachen API-Aufruf damit beginnen, Ihr Modell zu trainieren. Wenn das Training abgeschlossen ist und Sie bereit sind, Ihr Modell bereitzustellen, können Sie es mit einem einzigen Klick in der Amazon SageMaker-Konsole starten.

Einfache Integration in bestehenden Workflow

Amazon SageMaker ist in drei Modulen konzipiert, die zusammen oder unabhängig voneinander als Teil eines bereits vorhandenen ML-Workflows verwendet werden können.

Einfacher Zugriff auf trainierte Modelle

Mit Amazon SageMaker können Sie Machine-Learning-Modelle einfach in Anwendungen integrieren, indem Sie einen HTTPS-Endpunkt bereitstellen, der von jeder beliebigen Anwendung aus aufgerufen werden kann.

Anwendungsfälle

Zielgerichtete Werbung

Durch den Einsatz von Amazon SageMaker zusammen mit anderen AWS-Services können Sie Ihre Werbeausgaben optimieren. Mit Amazon SageMaker können Sie Machine-Learning-Modelle problemlos trainieren und bereitstellen, die effektiver auf Online-Anzeigen abzielen und eine bessere Kundenbindung und -konvertierung ermöglichen. Recommender-Systeme, Click-Through-Prognosen, Kundensegmentierung und Lifetime-Value-Lift-Modelle können in der serverlosen, verteilten Umgebung von Amazon SageMaker trainiert werden. Einmal erstellte Modelle können problemlos in Endpunkten mit niedriger Latenz und automatischer Skalierung gehostet oder an andere Echtzeit-Gebotssysteme übergeben werden.

Kreditausfallprognose

Mit Amazon SageMaker können Sie die Wahrscheinlichkeit eines Kreditausfalls, ein häufiges Machine-Learning-Problem, leichter vorhersagen. Amazon SageMaker lässt sich eng in bestehende Analyse-Frameworks wie Amazon Redshift, Amazon EMR und AWS Glue integrieren, wodurch Sie die Möglichkeit erhalten, große, vielfältige Datensätze in einem Amazon S3-Datensee zu veröffentlichen, diese schnell zu transformieren sowie Machine-Learning-Modelle zu erstellen und unmittelbar für die Online-Vorhersage zu hosten.

Industrielles IoT und Machine Learning

Industrielles IoT und Machine Learning können Echtzeitvorhersagen ermöglichen, um Maschinenausfälle und die geplante Wartungen zu antizipieren und dadurch eine höhere Effizienz zu erzielen.

Blog-Einträge

evangelist-randall-hunt

Amazon SageMaker – Accelerating Machine Learning
Randall Hunt, AWS Senior Technical Evangelist
29. November 2017

Weitere Informationen zu Amazon SageMaker-Funktionen

Seite mit Funktionen besuchen
Sind Sie startbereit?
Registrieren