Allgemeines

F: Was ist Amazon SageMaker?

Amazon SageMaker ist ein vollständig verwalteter Service, der es Datenwissenschaftlern und Entwicklern ermöglicht, schnell und einfach Machine Learning-Modelle zu erstellen, zu trainieren und zu implementieren.

F: Was kann ich mit Amazon SageMaker tun?

Mit Amazon SageMaker können Entwickler und Wissenschaftler Machine-Learning-Modelle für den Einsatz in intelligenten, prädiktiven Apps erstellen.

F: Welches sind die ersten Schritte mit Amazon SageMaker?

Melden Sie sich für die ersten Schritte mit Amazon SageMaker bei der Amazon SageMaker-Konsole an, starten Sie eine Notebook-Instance mit einem Beispiel-Notizbuch, ändern Sie sie, um eine Verbindung zu Ihren Datenquellen herzustellen, folgen Sie dem Beispiel zum Erstellen, Trainieren und Validieren von Modellen und stellen Sie das resultierende Modell mit nur wenigen Eingaben in der Produktion bereit.

F: In welchen Regionen ist Amazon SageMaker verfügbar?

Eine Liste der unterstützten Amazon SageMaker AWS-Regionen finden Sie in der AWS-Regionstabelle. Sie enthält Informationen zur gesamten globalen AWS-Infrastruktur. Weitere Informationen erhalten Sie außerdem unter Regionen und Endpunkte in der allgemeinen AWS-Referenz.

F: Kann ich zum Zweck der Sicherheitsanalyse und zur Behebung von Betriebsproblemen einen Verlauf aller Aufrufe der Amazon SageMaker-API abrufen, die für mein Konto erfolgt sind?  

Ja. Zum Abrufen eines Verlaufs der Amazon SageMaker-API-Aufrufe, die für Ihr Konto erfolgt sind, müssen Sie lediglich AWS CloudTrail in der AWS Management Console aktivieren. Die folgenden API-Aufrufe in Amazon SageMaker Runtime werden *nicht* aufgezeichnet und bereitgestellt: InvokeEndpoint.

F: Wie ist die Serviceverfügbarkeit von Amazon SageMaker?

Amazon SageMaker ist für hohe Verfügbarkeit konzipiert. Es gibt keine Wartungsfenster und keine geplanten Ausfallzeiten. Amazon SageMaker-APIs werden in den bewährten Hochverfügbarkeits-Rechenzentren von Amazon ausgeführt. Die Replizierung des Service-Stacks arbeitet an drei Standorten in jeder AWS-Region und bietet so eine Fehlertoleranz bei eventuellen Ausfällen von Server oder Availability Zone.

F: Welche Sicherheitsmaßnahmen gibt es bei Amazon SageMaker?

Amazon SageMaker stellt sicher, dass ML-Modellartefakte und andere Systembestandteile sowohl bei der Übertragung als auch im inaktiven Zustand verschlüsselt sind. Anforderungen an die Amazon SageMaker-API und die Konsole werden über eine sichere SSL-Verbindung gesendet. Sie übergeben AWS Identity and Access Management-Rollen an Amazon SageMaker, um Berechtigungen für den Zugriff auf Ressourcen in Ihrem Namen für Schulung und Implementierung bereitzustellen. Sie können verschlüsselte S3-Buckets für Modellartefakte und Daten verwenden sowie einen KMS-Schlüssel an Amazon SageMaker-Notebooks, Schulungsjobs und Endpunkte übergeben, um das angehängte ML-Speicher-Volume zu verschlüsseln.

F: Wie sichert Amazon SageMaker meinen Code?

Amazon SageMaker speichert Code in ML-Speicher-Volumes, die von Sicherheitsgruppen gesichert und optional verschlüsselt werden.

F: Wie wird die Verwendung von Amazon SageMaker berechnet?

Sie zahlen für ML-Rechen-, Speicher- und Datenverarbeitungsressourcen, die Sie zum Hosten des Notebooks, Trainieren des Modells, Treffen von Vorhersagen und Protokollieren von Ausgaben nutzen. Mit Amazon SageMaker können Sie die Anzahl und den Typ der Instances auswählen, die für das gehostete Notebook, Trainings und das Modell-Hosting verwendet werden. Sie zahlen nur für den tatsächlichen Gebrauch. Es fallen keine Mindestgebühren oder Vorauszahlungen an.

F: Was ist, wenn ich über meine eigene Notebook-, Trainings- oder Hosting-Umgebung verfüge?

Amazon SageMaker bietet einen vollständigen End-to-End-Workflow, aber Sie können Ihre vorhandenen Tools weiterhin mit Amazon SageMaker verwenden. Sie können die Ergebnisse jeder Phase ganz einfach gemäß Ihren Geschäftsanforderungen in oder aus Amazon SageMaker übertragen.

Gehostete Jupyter-Notebooks

F: Welche Arten von Notebooks werden unterstützt?

Derzeit werden Juypter-Notebooks unterstützt

F: Wie behalten Sie Notebook-Dateien bei, wenn ich meinen Arbeitsbereich stoppe?

Sie können Ihre Notebook-Dateien auf dem angehängten ML-Speicherdatenträger beibehalten. Das ML-Speicher-Volume wird getrennt, wenn die Notebook-Instance heruntergefahren, und wieder angehängt, wenn die Notebook-Instanz neu gestartet wird. Im Speicher gespeicherte Elemente werden nicht beibehalten.

F: Wie kann ich die verfügbaren Ressourcen in meinem Notebook erhöhen?

Sie können die Notebook-Instance ändern und über die Amazon SageMaker-Konsole ein größeres Profil auswählen, nachdem Sie Ihre Dateien und Daten auf dem angehängten ML-Speicher-Volume gespeichert haben. Die Notebook-Instance wird mit größeren verfügbaren Ressourcen mit denselben Notebook-Dateien und installierten Bibliotheken neu gestartet.

F: Wie kann ich ein Modell von einem Amazon SageMaker-Notebook aus trainieren?

Nach dem Start eines Beispiel-Notizbuchs können Sie das Notizbuch an Ihre Datenquelle und Ihr Schema anpassen und die AWS-APIs zum Erstellen eines Schulungsauftrags ausführen. Der Fortschritt oder Abschluss des Trainingsjobs ist über die Amazon SageMaker-Konsole oder AWS-APIs verfügbar.

Modelltraining

F: Gibt es Grenzen für die Größe der Datenmenge, die ich für das Training verwenden kann?

Es gibt keine festen Grenzen für die Größe der Datasets, die Sie für Schulungsmodelle mit Amazon SageMaker verwenden können.

F: Welche Datenquellen kann ich einfach in Amazon SageMaker importieren?

Sie können den Amazon S3-Speicherort Ihrer Trainingsdaten im Rahmen der Erstellung eines Trainingsjobs angeben.

F: Mit welchen Algorithmen generiert Amazon SageMaker Modelle?

Amazon SageMaker umfasst integrierte Algorithmen für lineare Regression, logistische Regression, K-Means-Clustering, Hauptkomponentenanalyse, Faktorisierungsmaschinen, Modellierung neuraler Themen, latente Dirichlet-Zuordnung, Gradient-Boosted Trees, Sequence2Sequence, Zeitreihenprognose, Word2vec und Bildklassifizierung. Amazon SageMaker bietet auch optimierte Apache MXNet-, Tensorflow-, Chainer- und PyTorch-Container. Darüber hinaus unterstützt Amazon SageMaker Ihre benutzerdefinierten Trainingsalgorithmen, die über ein Docker-Image bereitgestellt werden, das der dokumentierten Spezifikation entspricht.

F: Was ist automatische Modelloptimierung?

Die meisten Algorithmen für Machine Learning machen verschiedene Parameter verfügbar, die wie der zugrunde liegende Algorithmus funktioniert. Diese Parameter werden meist als "Hyperparameter" bezeichnet. Von ihren Werten hängt ab, wie gut die trainierten Modelle sind. Bei der automatischen Modelloptimierung wird nach Hyperparametern eines Algorithmus gesucht, die ein optimales Modell erzeugen können.

F: Welche Modelle können mit der automatischen Modelloptimierung abgestimmt werden?

Sie können die automatische Modelloptimierung in Amazon SageMaker zusätzlich zu Algorithmen ausführen lassen. Voraussetzung ist, dass die Modelloptimierung wissenschaftlich realisierbar ist Amazon SageMaker. Zu den in Frage kommenden Algorithmen gehören beispielsweise integrierte SageMaker-Algorithmen, tief reichende neurale Netzwerke oder jeder Algorithmus, den Sie als Docker-Image in Amazon SageMaker einführen.

F: Kann ich die automatische Modelloptimierung außerhalb von Amazon SageMaker anwenden?

Nein, derzeit nicht. Die beste Modelloptimierung genießen Sie mit Amazon SageMaker.

F: Was ist der zugrunde liegende Optimierungsalgorithmus?

Derzeit verwenden wir als Algorithmus für die Optimierung von Hyperparametern eine benutzerdefinierte Implementierung der Bayes'schen Optimierungsmethodik. Diese zielt darauf ab, eine vom Kunden festgelegte Zielmetrik über den gesamten Optimierungsprozess zu optimieren. Die Implementierung prüft insbesondere die Zielmetrik der abgeschlossenen Trainingsaufgaben und leitet aus den gewonnenen Informationen die Hyperparameterkombination für das nächste Training ab.

F: Werden Sie konkrete Hyperparameter für die Optimierungs empfehlen?

Nein. Wie sich bestimmte Hyperparameter auf die Leistung des Modells auswirken, hängt von verschiedenen Faktoren ab. Es ist lässt sich kaum abschließend vorhersagen, ob ein Hyperparameter wichtiger ist als der andere und deshalb angepasst werden muss. Wenn in Amazon SageMaker Algorithmen integriert sind, geben wir an, ob ein Hyperparameter angepasst werden kann.

F: Wie lange dauert es, bis die Optimierungs eines Hyperparameters abgeschlossen ist.

Wie lange eine Hyperparameteroptimierung dauert, hängt von verschiedenen Faktoren ab. So ist beispielsweise zu berücksichtigen, wie groß der Datenbestand ist, welcher Algorithmus zugrunde liegt und welche Werte die Hyperparameter aufweisen. Darüber hinaus können Kunden angeben, wie viele Trainings gleichzeitig laufen sollen und wie viele Trainings insgesamt durchgeführt werden sollen. All diese Entscheidungen wirken sich auf die Dauer der Hyperparameteroptimierung aus. 

F: Wie optimiere ich mehrere Ziele gleichzeitig so, dass ein Modell schnell und zugleich präzise ist.

Nein, derzeit nicht. Derzeit müssen Sie eine einzelne Zielmetrik vorgeben, wenn Sie Ihren Algorithmuscode so optimieren oder abändern möchten, dass er eine neue Metrik (ein gewichteter Durchschnitt aus zwei oder mehreren nützlichen Kennzahlen) ausgibt und dass die Optimierungs auf diese Zielmetrik optimal ausgerichtet wird.

F: Was sind die Kosten für automatische Modelloptimierung?

Für die eigentliche Hyperparameteroptimierung wird nichts berechnet. Kostenpflichtig sind jedoch die Trainings, die von der Hyperparameteroptimierung ausgelöst werden. Hierbei ist die Preisliste für Modelltraining ausschlaggebend.

F: Was sind die Kosten für automatische Modelloptimierung?

Für die eigentliche Hyperparameteroptimierung wird nichts berechnet. Kostenpflichtig sind jedoch die Trainings, die von der Hyperparameteroptimierung ausgelöst werden. Hierbei ist die Preisliste für Modelltraining ausschlaggebend.

Modellbereitstellung

F: Kann ich auf die Infrastruktur zugreifen, auf der Amazon SageMaker ausgeführt wird?

Nein. Amazon SageMaker betreibt die Datenverarbeitungs-Infrastruktur für Sie und ermöglicht dort Zustandsprüfungen, die Anwendung von Sicherheitspatches und die Durchführung sonstiger Routineaufgaben der Wartung. Sie können die Modellartefakte auch aus dem Training mit benutzerdefinierten Inferenzcodes in Ihrer eigenen Hosting-Umgebung bereitstellen.

F: Wie skaliere ich die Größe und Leistung eines Amazon SageMaker-Modells in der Produktion?

Durch das Amazon SageMaker-Hosting mit automatischer Anwendungsskalierung wird automatisch auf die Leistung skaliert, die für Ihre Anwendung erforderlich ist. Darüber hinaus können Sie die Nummer und den Typ der Instance manuell ändern, ohne dass es zu Ausfallzeiten kommt, indem Sie die Endpunktkonfiguration ändern.

F: Wie überwache ich meine Amazon SageMaker-Produktionsumgebung?

Amazon SageMaker sendet Leistungsmesswerte an Amazon CloudWatch Metrics, sodass Sie Messwerte verfolgen, Alarme festlegen und automatisch auf Änderungen im Produktionsdatenverkehr reagieren können. Darüber hinaus schreibt Amazon SageMaker Protokolle in Amazon CloudWatch Logs, damit Sie Ihre Produktionsumgebung überwachen und Fehler beheben können.

F: Welche Arten von Modellen können mit Amazon SageMaker gehostet werden?

Mit Amazon SageMaker können alle Modelle gehostet werden, die der dokumentierten Spezifikation für Inferenz-Docker-Image entsprechen. Dazu gehören Modelle, die aus Amazon SageMaker-Modellartefakten und Inferenzcode erstellt wurden.

F: Wie viele gleichzeitige Echtzeit-API-Anforderungen unterstützt Amazon SageMaker?

Amazon SageMaker wurde dafür konzipiert, eine große Anzahl von Transaktionen pro Sekunde zu skalieren. Die genaue Anzahl hängt vom implementierten Modell und der Anzahl und Art der Instances ab, für die das Modell bereitgestellt wird.


F: Was ist Batch-Transformation

Durch die Batch-Transformation können Sie anhand von großen oder kleinen Daten-Batches Prognosen erstellen. Es ist dabei nicht erforderlich, den Datensatz in einzelne Blöcke zu unterteilen oder Echtzeitendpunkte zu verwalten. Sie können mit einer einfachen API Prognosen für eine große Anzahl von Datensätzen anfordern und diese Daten leicht und schnell umwandeln.

 

Weitere Informationen zu den Amazon SageMaker-Preisen

Zur Seite mit den Preisen
Sind Sie startbereit?
Registrieren
Haben Sie Fragen?
Kontakt