Amazon SageMaker

Erstellen, Trainieren und Bereitstellen von Machine Learning-Modellen nach Maß

Amazon SageMaker ist eine vollständig verwaltete Plattform, die 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 von Machine Learning behindern.

Das Machine Learning 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. Anschließend wählen Sie Algorithmus und Framework nach Ihren Präferenzen. 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 Machine Learning 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 gebräuchlichsten Algorithmen für das Machine Learning, 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 auch so vorkonfiguriert, dass TensorFlow, Apache MXNet und Chainer in Docker-Containern ausgeführt werden. Sie können diese Open Source-Container auch in Ihrer lokalen Umgebung herunterladen und das Amazon SageMaker Python SDK zum Testen Ihrer Skripte im lokalen Modus verwenden, bevor Sie Amazon SageMaker für das Trainieren oder Hosting Ihres Modells in der Produktion verwenden. 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 optimiert ist, können Sie es mithilfe von Amazon SageMaker einfach in der Produktion einsetzen, um Prognosen (sogenannte Inferenzen) für Echtzeit- oder Batch-Daten zu generieren. Amazon SageMaker setzt Ihr Modell auf Clustern aus Amazon SageMaker ML-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.

Nutzen

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, TensorFlow und Chainer 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 Ihren 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.

Geschwindigkeitsoptimiert

Zur Leistungsoptimierung mit NVIDIA-GPUs sind in Amazon SageMaker die aktuellen Versionen von TensorFlow, Apache MXNet und Chainer sowie Unterstützung für CUDA9-Bibliotheken vorkonfiguriert. Dank der Amazon SageMaker P3-Instances auf NVIDIA Volta V100-GPUs ermöglicht Amazon SageMaker das Training von Deep Learning-Modellen mit beispielloser Geschwindigkeit.

Ausgewählte SageMaker-Kunden

Mit jedem Deep-Learning-Framework trainieren

Mit Amazon SageMaker können Sie für Modelltraining das Deep-Learning-Framework Ihrer Wahl verwenden. Bringen Sie einfach den Docker-Container mit dem Framework und den Bibliotheken Ihrer Wahl mit – beispielsweise Caffe2, PyTorch, Microsoft Cognitive Toolkit (CNTK), Chainer oder Torch – und Amazon SageMaker verwaltet die zugrundeliegende Infrastruktur für das Training Ihrer Modelle für Sie.

TensorFlow
Caffe2
Apache MXNet
Chainer
Keras
Torch
Gluon
Microsoft Cognitive Toolkit
PyTorch

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-Data-Lake 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.  Ein digitaler Zwilling, oder Replikat, von physischen Vermögenswerten, Prozessen oder Systemen kann als Modell erstellt werden, um vorbeugende Instandhaltung vorherzusagen oder um die Leistung von komplexen Maschinen oder industriellen Prozessen zu optimieren. Das Modell kann bei jeder möglichen Veränderung kontinuierlich aktualisiert werden, um nahezu in Echtzeit zu „lernen“.

Lieferkette und Nachfrage vorhersagen

Amazon SageMaker bietet die notwendige Infrastruktur und die erforderlichen Algorithmen, um in den größten E-Commerce-Umgebungen individuelle Verkaufsvorhersagen für jedes Produkt zu entwickeln. Anhand von Daten zu Zeitreihen und Produktkategorien kann Amazon SageMaker Saisonalität, Trends und Produktähnlichkeiten analysieren, um selbst für neue Artikel akkurate Vorhersagen zu treffen.

Klickraten-Vorhersage

Amazon SageMaker bietet sowohl Einzelmaschinen- als auch verteilte CPU-Implementierungen von XGBoost-Algorithmen, die bei Anwendungsfällen wie der Mehrfachklassifizierung, Regression und Rangfolge nützlich sind, wie beispielsweise der Vorhersage der Werbeklickrate. Klick-Vorhersage-Systeme sind ein zentraler Bestandteil der meisten Online-Werbesysteme, weil es wichtig ist, die Klickrate (CTR, Click-Through-Rate) möglichst genau vorherzusagen, damit das beste Erlebnis für die Kunden gewährleistet werden kann. Mithilfe des XGBoost-Algorithmus können Sie einen Echtzeit-Prädiktor ausführen und ein Vorhersage-Ergebnis mit Punktzahlen ausgeben. Sie können festlegen, ob Sie Werbung eines bestimmter Werbetreibenden bedienen möchten oder nicht, und Sie können Ihre CTR-Vorhersage bei Anzeigewerbung verbessern.

Qualität der Inhalte vorhersagen

Amazon SageMaker hat zahlreiche Tools zur Vor-Verarbeitung und zum Auffinden von Strukturen innerhalb von Text. Auf Grundlage dieser Informationen werden Vorhersagen zur Qualität der Inhalte getroffen. Sie können Worteinbettungen erstellen, um ähnliche semantische und syntaktische Wörter in großen Textmengen zu finden, und ähnliche Wörter gruppieren, um Seltenheit zu vermeiden. Gruppieren Sie danach ähnliche Dokumente mit den Modellen von Amazon SageMaker zu erweiterten Themen. Entwickeln Sie schließlich unabhängige Klassifikationsmodelle durch Cluster in Bezug auf die reduzierten dimensionalen gruppierten Wortdaten, um festzustellen, ob Dokumente moderiert werden müssen.

Weitere Informationen über Amazon SageMaker

Seite mit Funktionen besuchen
Bereit zum Entwickeln?
Erste Schritte mit Amazon SageMaker