Publié le: Nov 28, 2018
Amazon SageMaker prend désormais en charge des nouvelles capacités pour une orchestration, une expérimentation et une collaboration des flux de travail de Machine Learning (ML) plus efficace. AWS Step Functions est désormais intégré à Amazon SageMaker et à AWS Glue, ce qui rend la création, le déploiement, le suivi et l’itération des flux de travail de ML plus facile. En utilisant AWS Step Functions, vous pouvez désormais automatiser les flux de travail de ML en connectant plusieurs tâches Amazon SageMaker en quelques minutes, sans code. Nous avons une nouvelle capacité qui vous aidera à organiser, suivre et évaluer vos expérimentations de formations de modèle ML avec Amazon SageMaker Search, disponible en version bêta dès aujourd’hui. Pour finir, vous pouvez désormais associer GitHub; AWS CodeCommit et tous les référentiels Git auto-hébergés à des instances de bloc-notes Amazon SageMaker afin de collaborer facilement et de façon sécurisée et d’assurer le contrôle de version avec les blocs-notes Jupyter. Consultez la documentation d’AWS Step Functions pour plus d'informations.
Généralement, l’automatisation des flux de travail ML implique d’écrire et de gérer des codes pour définir la logique du flux de travail, suivre la réalisation de chaque tâche et corriger toutes les erreurs. Pour des ensembles de données volumineux, les modèles de ML doivent être gérés avant d’être déployés dans des environnements de production. Il est nécessaire de procéder au redéploiement à chaque fois que le modèle change et plusieurs équipes doivent s’assurer que le modèle fonctionne comme prévu. Ce processus est compliqué et il peut ralentir la livraison d’applications. Avec l’intégration de AWS Step Functions et Amazon SageMaker, vous pouvez automatiser la publication de divers ensembles de données volumineux dans le lac de donnée Amazon S3, entraîner des modèles ML et déployer ces modèles en production. AWS Step Functions peut séquencer et exécuter des tâches en parallèle et exécuter à nouveau toutes les tâches ayant échoué. L’intégration comprend le traitement intégré des erreurs, le transfert des paramètres et la gestion des états. Cela permet d’accélérer la livraison d’applications de Machine Learning sécurisées et résilientes tout en réduisant la quantité de code que vous devez écrire et gérer.
Le développement d’un modèle de ML réussi demande d’expérimenter continuellement, d’essayer de nouveaux algorithmes et hyperparamètres tout en observant tous les impacts sur la performance et la précision. À cause de ça, il est difficile de repérer la combinaison unique d’ensembles de données, d’algorithmes et de paramètres qui permettra d’atteindre le modèle gagnant. Grâce à Amazon SageMaker Search, vous pouvez désormais organiser, suivre et évaluer vos expérimentations de formation de modèle de Machine Learning. SageMaker Search vous aide à trouver et évaluer rapidement les exécutions de formation de modèle les plus pertinentes parmi les milliers d’exécutions de formation de modèle possibles directement depuis AWS Management Console et depuis le kit SDK AWS pour Amazon SageMaker. Search est disponible en version bêta dans 13 régions AWS dans lesquelles Amazon SageMaker est déjà disponible. Consultez le blog ici pour de plus amples informations.
Il faut souvent partager des idées, des tâches et collaborer afin de progresser dans le Machine Learning. La norme en matière de collaboration avec le développement des logiciels traditionnels est le contrôle de version. Celui-ci joue également un rôle important dans le Machine Learning. Vous pouvez désormais associer GitHub; AWS Code Commit et tous les référentiels Git auto-hébergés à des instances de bloc-notes Amazon SageMaker afin de collaborer facilement et de façon sécurisée et d’assurer le contrôle de version avec les blocs-notes Jupyter. En utilisant les référentiels Git avec les blocs-notes Jupyter, il est plus facile de co-créer des projets, de suivre les modifications de code et d’allier le génie logiciel aux pratiques de la science des données pour une gestion de code prête pour la production. Vous pouvez facilement découvrir, exécuter et partager les techniques de Machine Learning et de Deep Learning disponibles dans les blocs-notes Jupyter et hébergées sur GitHub. Consultez le blog ici pour de plus amples informations.
Généralement, l’automatisation des flux de travail de ML implique d’écrire et de gérer des codes pour définir la logique du flux de travail, suivre la réalisation de chaque tâche et corriger toutes les erreurs. Pour des ensembles de données volumineux, les modèles de ML doivent être gérés avant d’être déployés dans des environnements de production. Il est nécessaire de procéder au redéploiement à chaque fois que le modèle change et plusieurs équipes doivent s’assurer que le modèle fonctionne comme prévu. Ce processus est compliqué et il peut ralentir la livraison d’applications. Avec l’intégration de AWS Step Functions et Amazon SageMaker, vous pouvez automatiser la publication de divers ensembles de données volumineux dans le lac de donnée Amazon S3, entraîner des modèles ML et déployer ces modèles en production. AWS Step Functions peut séquencer et exécuter des tâches en parallèle et exécuter à nouveau toutes les tâches ayant échoué. L’intégration comprend le traitement intégré des erreurs, le transfert des paramètres et la gestion des états. Cela permet d’accélérer la livraison d’applications de Machine Learning sécurisées et résilientes tout en réduisant la quantité de code que vous devez écrire et gérer.
Le développement d’un modèle de ML réussi demande d’expérimenter continuellement, d’essayer de nouveaux algorithmes et hyperparamètres tout en observant tous les impacts sur la performance et la précision. À cause de ça, il est difficile de repérer la combinaison unique d’ensembles de données, d’algorithmes et de paramètres qui permettra d’atteindre le modèle gagnant. Grâce à Amazon SageMaker Search, vous pouvez désormais organiser, suivre et évaluer vos expérimentations de formation de modèle de Machine Learning. SageMaker Search vous aide à trouver et évaluer rapidement les exécutions de formation de modèle les plus pertinentes parmi les milliers d’exécutions de formation de modèle possibles directement depuis AWS Management Console et depuis le kit SDK AWS pour Amazon SageMaker. Search est disponible en version bêta dans 13 régions AWS dans lesquelles Amazon SageMaker est déjà disponible. Consultez le blog ici pour de plus amples informations.
Il faut souvent partager des idées, des tâches et collaborer afin de progresser dans le Machine Learning. La norme en matière de collaboration avec le développement des logiciels traditionnels est le contrôle de version. Celui-ci joue également un rôle important dans le Machine Learning. Vous pouvez désormais associer GitHub; AWS Code Commit et tous les référentiels Git auto-hébergés à des instances de bloc-notes Amazon SageMaker afin de collaborer facilement et de façon sécurisée et d’assurer le contrôle de version avec les blocs-notes Jupyter. En utilisant les référentiels Git avec les blocs-notes Jupyter, il est plus facile de co-créer des projets, de suivre les modifications de code et d’allier le génie logiciel aux pratiques de la science des données pour une gestion de code prête pour la production. Vous pouvez facilement découvrir, exécuter et partager les techniques de Machine Learning et de Deep Learning disponibles dans les blocs-notes Jupyter et hébergées sur GitHub. Consultez le blog ici pour de plus amples informations.
Généralement, l’automatisation des flux de travail de ML implique d’écrire et de gérer des codes pour définir la logique du flux de travail, suivre la réalisation de chaque tâche et corriger toutes les erreurs. Pour des ensembles de données volumineux, les modèles de ML doivent être gérés avant d’être déployés dans des environnements de production. Il est nécessaire de procéder au redéploiement à chaque fois que le modèle change et plusieurs équipes doivent s’assurer que le modèle fonctionne comme prévu. Ce processus est compliqué et il peut ralentir la livraison d’applications. Avec l’intégration de AWS Step Functions et Amazon SageMaker, vous pouvez automatiser la publication de divers ensembles de données volumineux dans le lac de donnée Amazon S3, entraîner des modèles ML et déployer ces modèles en production. AWS Step Functions peut séquencer et exécuter des tâches en parallèle et exécuter à nouveau toutes les tâches ayant échoué. L’intégration comprend le traitement intégré des erreurs, le transfert des paramètres et la gestion des états. Cela permet d’accélérer la livraison d’applications de Machine Learning sécurisées et résilientes tout en réduisant la quantité de code que vous devez écrire et gérer.
Le développement d’un modèle de ML réussi demande d’expérimenter continuellement, d’essayer de nouveaux algorithmes et hyperparamètres tout en observant tous les impacts sur la performance et la précision. À cause de ça, il est difficile de repérer la combinaison unique d’ensembles de données, d’algorithmes et de paramètres qui permettra d’atteindre le modèle gagnant. Grâce à Amazon SageMaker Search, vous pouvez désormais organiser, suivre et évaluer vos expérimentations de formation de modèle de Machine Learning. SageMaker Search vous aide à trouver et évaluer rapidement les exécutions de formation de modèle les plus pertinentes parmi les milliers d’exécutions de formation de modèle possibles directement depuis AWS Management Console et depuis le kit SDK AWS pour Amazon SageMaker. Search est disponible en version bêta dans 13 régions AWS dans lesquelles Amazon SageMaker est déjà disponible. Consultez le blog ici pour de plus amples informations.
Il faut souvent partager des idées, des tâches et collaborer afin de progresser dans le Machine Learning. La norme en matière de collaboration avec le développement des logiciels traditionnels est le contrôle de version. Celui-ci joue également un rôle important dans le Machine Learning. Vous pouvez désormais associer GitHub; AWS Code Commit et tous les référentiels Git auto-hébergés à des instances de bloc-notes Amazon SageMaker afin de collaborer facilement et de façon sécurisée et d’assurer le contrôle de version avec les blocs-notes Jupyter. En utilisant les référentiels Git avec les blocs-notes Jupyter, il est plus facile de co-créer des projets, de suivre les modifications de code et d’allier le génie logiciel aux pratiques de la science des données pour une gestion de code prête pour la production. Vous pouvez facilement découvrir, exécuter et partager les techniques de Machine Learning et de Deep Learning disponibles dans les blocs-notes Jupyter et hébergées sur GitHub. Consultez le blog ici pour de plus amples informations.