Amazon SageMaker

Machine learning untuk setiap pengembang dan ilmuwan data

Amazon SageMaker adalah layanan yang dikelola sepenuhnya yang memberi setiap pengembang dan ilmuwan data kemampuan membangun, melatih, dan menerapkan model machine learning (ML) dengan cepat. SageMaker menghilangkan kerja berat di setiap langkah proses machine learning agar lebih mudah dalam mengembangkan model berkualitas tinggi.

Pengembangan ML tradisional adalah proses yang kompleks, mahal, dan berulang yang semakin sulit karena tidak adanya alat terintegrasi untuk keseluruhan alur kerja machine learning. Anda perlu menyatukan berbagai alat dan alur kerja, sehingga memakan waktu dan mudah terjadi kesalahan. SageMaker memecahkan masalah ini dengan memberikan semua komponen yang digunakan untuk machine learning dalam satu set alat sehingga model masuk ke produksi dengan lebih cepat dengan usaha lebih sedikit dan biaya lebih rendah.

Bangun model machine learning

HANYA DI AMAZON SAGEMAKER

Tingkatkan produktivitas dengan Amazon SageMaker Studio, lingkungan pengembangan terintegrasi (IDE) pertama yang terintegrasi sepenuhnya untuk machine learning

Amazon SageMaker Studio menyediakan satu antarmuka visual berbasis web di mana Anda dapat melakukan semua langkah pengembangan ML. SageMaker Studio memberikan Anda akses, kontrol, dan visibilitas penuh ke dalam setiap langkah yang diperlukan untuk membangun, melatih, dan menerapkan model. Anda dapat dengan cepat mengunggah data, membuat notebook baru, melatih dan menyetel model, beralih antarlangkah untuk mengatur eksperimen, membandingkan hasil, dan menerapkan model ke produksi semuanya di satu tempat, sehingga Anda jauh lebih produktif. Semua kegiatan pengembangan ML termasuk notebook, manajemen eksperimen, pembuatan model otomatis, debugging dan, deteksi penyimpangan model dapat dilakukan dalam antarmuka visual SageMaker Studio yang seragam.

SageMaker Studio
Sagemaker Studio

Gunakan IDE untuk pengembangan ML. Misalnya, buat pembaruan ke model di dalam suatu notebook dan lihat bagaimana perubahan berdampak pada kualitas model menggunakan tampilan bersisian notebook dan eksperimen pelatihan Anda.

Gunakan IDE untuk pengembangan ML. Misalnya, buat pembaruan ke model di dalam suatu notebook dan lihat bagaimana perubahan berdampak pada kualitas model menggunakan tampilan bersisian notebook dan eksperimen pelatihan Anda.

 Klik untuk memperbesar

HANYA DI AMAZON SAGEMAKER

Bangun dan berkolaborasi lebih cepat menggunakan Notebook Amazon SageMaker Studio

Mengelola instans komputasi untuk melihat, menjalankan, atau berbagi notebook dapat terasa menjemukan. Notebook Amazon SageMaker Studio adalah notebook Jupyter sekali klik yang dapat dijalankan dengan cepat. Sumber daya komputasi utamanya sepenuhnya elastis, sehingga Anda dapat dengan mudah menaik-turunkan sumber daya yang tersedia dan perubahan terjadi secara otomatis di latar belakang tanpa mengganggu kerja Anda. SageMaker juga memungkinkan berbagi notebook dengan sekali klik. Anda dapat dengan mudah berbagi notebook dengan orang lain dan mereka akan mendapatkan notebook yang persis sama, yang disimpan di tempat yang sama.

Anda dapat memilih dari lusinan notebook yang dibuat sebelumnya dalam SageMaker untuk berbagai kasus penggunaan. Anda juga dapat memperoleh ratusan algoritme dan model yang telah dilatih di AWS Marketplace untuk mempermudah mulai dengan cepat.

Notebook
Notebook

Buat tautan yang dapat dibagikan tanpa perlu melacak dependensi secara manual, untuk mereproduksi kode notebook.

Buat tautan yang dapat dibagikan tanpa perlu melacak dependensi secara manual, untuk mereproduksi kode notebook.

 Klik untuk memperbesar

HANYA DI AMAZON SAGEMAKER

Bangun, latih, dan setel model secara otomatis dengan visibilitas dan kontrol penuh, menggunakan Amazon SageMaker Autopilot

Amazon SageMaker Autopilot adalah kapabilitas machine learning terotomasi pertama yang memberikan Anda kontrol dan visibilitas penuh ke dalam model ML Anda. Pendekatan umum terhadap machine learning terotomasi tidak memberikan Anda wawasan ke dalam data yang digunakan untuk membuat model atau logika yang diterapkan dalam pembuatan model. Sebagai hasilnya, bahkan ketika modelnya kurang baik, tidak ada cara untuk mengubahnya. Selain itu, Anda tidak memiliki fleksibilitas untuk melakukan pertukaran seperti mengorbankan akurasi untuk prediksi dengan latensi rendah karena solusi ML terotomasi umumnya hanya menyediakan satu model yang bisa dipilih.

SageMaker Autopilot secara otomatis memeriksa data mentah, menerapkan prosesor fitur, memilih set algoritme terbaik, melatih dan menyetel beberapa model, melacak kinerja mereka, dan kemudian memberi peringkat model berdasarkan kinerja, semua cukup dengan beberapa klik. Hasilnya adalah model dengan kinerja terbaik yang dapat Anda terapkan dengan lebih cepat dibandingkan waktu yang biasanya diperlukan untuk melatih model. Anda mendapatkan visibilitas penuh tentang bagaimana model dibuat dan apa yang ada di dalamnya dan SageMaker Autopilot berintegrasi dengan Amazon SageMaker Studio. Anda dapat menelusuri hingga 50 model berbeda yang dibuat oleh SageMaker Autopilot di dalam SageMaker Studio sehingga mudah untuk memilih model terbaik untuk kasus Anda. SageMaker Autopilot dapat digunakan oleh orang yang tidak memiliki pengalaman machine learning untuk dengan mudah menghasilkan model atau dapat digunakan oleh pengembang berpengalaman untuk dengan cepat mengembangkan model dasar yang kemudian dapat disempurnakan oleh tim lain.

Pelajari selengkapnya »

Autopilot
Autopilot

Secara otomatis buat model machine learning dan pilih yang paling cocok untuk kasus penggunaan Anda. Misalnya, tinjau daftar peringkat untuk melihat bagaimana kinerja setiap opsi dan pilih model yang memenuhi persyaratan akurasi dan latensi model Anda.

Secara otomatis buat model machine learning dan pilih yang paling cocok untuk kasus penggunaan Anda. Misalnya, tinjau daftar peringkat untuk melihat bagaimana kinerja setiap opsi dan pilih model yang memenuhi persyaratan akurasi dan latensi model Anda.

 Klik untuk memperbesar

HANYA DI AMAZON SAGEMAKER

Kurangi biaya pelabelan data hingga 70% menggunakan Amazon SageMaker Ground Truth

Model machine learning yang sukses dibangun dari data pelatihan berkualitas tinggi volume besar. Tetapi, proses untuk membuat data pelatihan yang diperlukan untuk membangun model tersebut seringkali mahal, rumit, dan memakan waktu. Amazon SageMaker Ground Truth membantu Anda membangun dan mengelola kumpulan data pelatihan berakurasi tinggi dengan cepat. Ground Truth menawarkan akses mudah ke pelabel melalui Amazon Mechanical Turk serta memberi mereka alur kerja dan antarmuka internal untuk tugas pelabelan umum. Anda juga dapat menggunakan pelabel Anda sendiri atau gunakan vendor yang disarankan oleh Amazon melalui AWS Marketplace. Selain itu, Ground Truth terus belajar dari label yang dilakukan oleh manusia untuk membuat anotasi berkualitas tinggi dan otomatis guna mengurangi biaya pelabelan secara signifikan.

Pelajari selengkapnya »

70%

PENGURANGAN BIAYA DALAM PELABELAN DATA

Amazon SageMaker mendukung kerangka kerja deep learning terkemuka

Kerangka kerja yang didukung mencakup TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn, dan Deep Graph Library. 

Amazon-SageMaker_Framework-Logos_F2f3f3

Latih model machine learning

HANYA DI AMAZON SAGEMAKER

Kelola, lacak, dan evaluasi pelatihan yang dijalankan menggunakan Amazon SageMaker Experiment

Amazon SageMaker Experiment membantu Anda mengelola dan melacak iterasi untuk model machine learning. Melatih model ML umumnya memerlukan banyak iterasi untuk mengisolasi dan mengukur dampak set data, versi algoritme, dan parameter model yang berubah-ubah. Anda menghasilkan ratusan artefak seperti model, data pelatihan, konfigurasi platform, pengaturan parameter, dan metrik pelatihan selama iterasi tersebut. Seringkali mekanisme berat seperti spreadsheet digunakan untuk melacak eksperimen tersebut.

SageMaker Experiment membantu Anda mengelola iterasi dengan menangkap secara otomatis parameter input, konfigurasi, dan hasil, serta menyimpannya sebagai ‘eksperimen.’ Anda dapat bekerja dalam antarmuka visual SageMaker Studio, di mana Anda dapat menelusuri eksperimen aktif, mencari eksperimen sebelumnya berdasarkan karakteristik, meninjau eksperimen sebelumnya dengan hasil mereka, dan membandingkan hasil eksperimen secara visual.

Experiment
Experiment

Lacak ribuan eksperimen pelatihan untuk memahami akurasi model Anda. Misalnya, lihat dalam bagan bagaimana set data seri waktu berbeda berdampak pada akurasi model.

Lacak ribuan eksperimen pelatihan untuk memahami akurasi model Anda. Misalnya, lihat dalam bagan bagaimana set data seri waktu berbeda berdampak pada akurasi model.

 Klik untuk memperbesar

HANYA DI AMAZON SAGEMAKER

Analisis, deteksi, dan waspada terhadap masalah untuk machine learning menggunakan Amazon SageMaker Debugger

Proses pelatihan ML kebanyakan tidak jelas dan waktu untuk melatih model dapat panjang dan sulit dioptimalkan. Sehingga, seringkali sulit untuk menginterpretasi dan menjelaskan model. Amazon SageMaker Debugger menjadikan proses pelatihan lebih transparan dengan menangkap metrik real-time secara otomatis selama pelatihan seperti pelatihan dan validasi, matriks kebingungan, dan gradien pembelajaran untuk membantu meningkatkan akurasi model.

Metrik dari SageMaker Debugger dapat divisualisasikan dalam SageMaker Studio untuk pemahaman yang lebih mudah. SageMaker Debugger juga dapat membuat peringatan dan saran remediasi ketika masalah pelatihan umum terdeteksi. Dengan SageMaker Debugger, Anda dapat menginterpretasikan bagaimana model bekerja, mewakili langkah awal menuju keterjelasan model.

Debugger
Debugger

Analisis dan debug anomali. Misalnya, pelatihan jaringan neural akan berhenti jika gradien ditentukan sebagai menghilang. SageMaker Debugger mengidentifikasi gradien yang menghilang sehingga Anda dapat melakukan remediasi sebelum latihan terdampak.

Analisis dan debug anomali. Misalnya, pelatihan jaringan neural akan berhenti jika gradien ditentukan sebagai menghilang. SageMaker Debugger mengidentifikasi gradien yang menghilang sehingga Anda dapat melakukan remediasi sebelum latihan terdampak.

 Klik untuk memperbesar

AWS adalah Tempat terbaik untuk menjalankan TensorFlow

Optimalisasi TensorFlow AWS menyediakan efisiensi penskalaan yang hampir linear di ratusan GPU untuk beroperasi pada skala cloud dengan sedikit overhead pemrosesan untuk melatih model yang lebih akurat dan canggih dengan waktu yang jauh lebih singkat.

90%

EFISIENSI PENSKALAAN DENGAN 256 GPU

Biaya pelatihan menurun sebesar 90%

Amazon SageMaker menyediakan Pelatihan Spot Terkelola untuk membantu Anda mengurangi biaya pelatihan hingga 90%. Kapabilitas ini menggunakan instans Spot Amazon EC2, yang merupakan kapasitas komputasi cadangan AWS. Tugas pelatihan dijalankan secara otomatis ketika kapasitas komputasi tersedia dan dibuat tahan gangguan yang disebabkan oleh perubahan kapasitas, memungkinkan Anda menghemat biaya ketika Anda memiliki fleksibilitas saat menjalankan tugas pelatihan.

90%

PENGURANGAN BIAYA DENGAN PELATIHAN SPOT TERKELOLA

Terapkan model machine learning

Penerapan sekali klik

Amazon SageMaker memudahkan penerapan model yang Anda latih ke dalam produksi dengan satu kali klik sehingga Anda dapat mulai membuat prediksi untuk data real-time atau batch atau real-time. Anda dapat menerapkan model Anda dengan satu klik pada auto-scaling instans Amazon ML di berbagai availability zone untuk redundansi tinggi. Cukup tentukan tipe instans, dan jumlah maksimum dan minimum yang diinginkan, kemudian SageMaker membereskan sisanya. SageMaker akan meluncurkan instans, menerapkan model Anda, kemudian menyiapkan titik akhir HTTPS aman untuk aplikasi Anda. Aplikasi Anda hanya perlu menyertakan panggilan API ke titik akhir ini untuk mencapai inferensi latensi rendah dengan throughput tinggi. Arsitektur ini memungkinkan Anda mengintegrasikan model baru ke dalam aplikasi dalam hitungan menit karena perubahan model tidak lagi memerlukan perubahan kode aplikasi.

HANYA DI AMAZON SAGEMAKER

Jaga model tetap akurat seiring waktu menggunakan Amazon SageMaker Model Monitor

Amazon SageMaker Model Monitor memungkinkan pengembang mendeteksi dan meremediasi penyimpangan konsep. Kini, salah satu faktor terbesar yang dapat memengaruhi akurasi model yang diterapkan adalah jika data yang digunakan untuk menghasilkan prediksi berbeda dari data yang digunakan untuk melatih model. Misalnya, mengubah kondisi ekonomi dapat mendorong suku bunga yang mempengaruhi prediksi pembelian rumah. Ini disebut penyimpangan konsep, di mana pola yang digunakan model untuk membuat prediksi tidak lagi berlaku. Amazon SageMaker Model Monitor secara otomatis mendeteksi penyimpangan konsep dalam model yang diterapkan dan menyediakan peringatan mendetail yang membantu mengidentifikasi sumber masalah. Semua model yang dilatih di SageMaker secara otomatis memancarkan metrik kunci yang dapat dikumpulkan dan dilihat di SageMaker Studio. Dari dalam SageMaker Studio Anda dapat mengonfigurasi data yang akan dikumpulkan, cara melihatnya, dan kapan menerima peringatan.

Model Monitor
Model Monitor

Memantau model dalam produksi. Misalnya, melihat bagan dengan fitur model penting dan statistik rangkuman, melihatnya seiring waktu dan membandingkan dengan fitur yang digunakan dalam pelatihan. Beberapa fitur menyimpang ketika model dijalankan dalam produksi, yang dapat mengindikasikan perlunya melatih ulang model Anda.

Memantau model dalam produksi. Misalnya, melihat bagan dengan fitur model penting dan statistik rangkuman, melihatnya seiring waktu dan membandingkan dengan fitur yang digunakan dalam pelatihan. Beberapa fitur menyimpang ketika model dijalankan dalam produksi, yang dapat mengindikasikan perlunya melatih ulang model Anda.

 Klik untuk memperbesar

HANYA DI AMAZON SAGEMAKER

Validasikan prediksi melalui ulasan manusia

Ada banyak aplikasi machine learning yang memerlukan manusia untuk mengulas prediksi yang memiliki kepercayaan diri yang rendah untuk memastikan agar hasilnya benar. Tetapi membangun ulasan manusia ke dalam alur kerja dapat memakan waktu dan mahal karena melibatkan proses yang kompleks. Amazon Augmented AI adalah layanan yang memudahkan untuk membangun alur kerja yang diperlukan untuk pengulasan manusia terhadap prediksi ML. Augmented AI menyediakan alur kerja ulasan manusia built-in untuk kasus penggunaan machine learning umum. Anda juga dapat membuat alur kerja sendiri untuk model yang dibangun di Amazon SageMaker. Dengan Augmented AI, Anda dapat memungkinkan pengulas manusia terlibat ketika model tidak mampu membuat prediksi dengan keyakinan tinggi.

Pelajari selengkapnya »

Gunakan Kubeflow Pipelines untuk orkestrasi dan penjadwalan tugas

Amazon SageMaker Components untuk Kubeflow Pipelines, kini dalam pratinjau, merupakan plugin sumber terbuka yang memungkinkan Anda menggunakan Kubeflow Pipelines untuk menentukan alur kerja ML dan menggunakan SageMaker untuk pelabelan data, pelatihan, dan langkah-langkah inferensi. Kubeflow Pipelines adalah add-on untuk Kubeflow yang memungkinkan Anda membangun dan menerapkan alur ML ujung-ke-ujung yang portabel dan mudah diskalakan. Namun, saat menggunakan Kubeflow Pipelines, tim operasional ML perlu mengelola klaster Kubernetes dengan instans CPU dan GPU, serta menjaga penggunaannya tetap optimal setiap saat untuk mengurangi biaya operasional. Memaksimalkan penggunaan klaster di seluruh tim data merupakan hal yang menantang dan menambah overhead operasional tambahan bagi tim operasional ML. Sebagai alternatif untuk klaster Kubernetes yang didukung ML, dengan Amazon SageMaker Components untuk Kubeflow Pipelines, Anda dapat memanfaatkan fitur-fitur SageMaker yang andal seperti pelabelan data, penyesuaian hiperparameter berskala besar yang terkelola sepenuhnya, dan tugas pelatihan terdistribusi. penerapan model yang aman dan mudah diskalakan dalam satu kali klik, serta pelatihan yang hemat biaya dengan instans spot EC2 tanpa perlu mengonfigurasi dan mengelola klaster Kubernetes secara khusus untuk menjalankan tugas-tugas machine learning.  

Integrasikan dengan Kubernetes untuk orkestrasi dan pengelolaan

Kubernetes adalah sistem open source yang digunakan untuk mengotomasi penerapan, penyesuaian skala, dan manajemen aplikasi dengan container. Banyak pelanggan ingin menggunakan kemampuan terkelola sepenuhnya dari Amazon SageMaker untuk pembelajaran mesin, tetapi juga ingin tim platform dan infrastruktur agar tetap menggunakan Kubernetes untuk orkestrasi dan pengelolaan pipeline. SageMaker memungkinkan pengguna melatih dan menerapkan model di SageMaker menggunakan operator Kubernetes.

Turunkan biaya inferensi pembelajaran mesin hingga 75% menggunakan Amazon Elastic Inference

Dalam sebagian besar aplikasi deep learning, membuat prediksi menggunakan model terlatih - sebuah proses yang disebut inferensi - dapat merupakan faktor penting dalam biaya komputasi aplikasi tersebut. Instans GPU penuh dapat terlalu besar untuk inferensi model. Selain itu, dapat sulit untuk mengoptimalkan kebutuhan GPU, CPU, dan memori aplikasi deep learning Anda. Amazon Elastic Inference memecahkan masalah tersebut dengan memungkinkan Anda memasangkan jumlah akselerasi inferensi dari GPU yang tepat ke tipe instans Amazon EC2 atau Amazon SageMaker atau tugas Amazon ECS mana pun tanpa perubahan kode. Dengan Elastic Inference, Anda dapat memilih tipe instans yang paling tepat untuk kebutuhan keseluruhan CPU dan memori aplikasi Anda, dan kemudian mengonfigurasikan jumlah akselerasi inferensi yang Anda butuhkan secara terpisah untuk menggunakan sumber daya secara efisien dan mengurangi biaya inferensi yang berjalan.

75%

BIAYA INFERENSI LEBIH RENDAH

Dapatkan kinerja tinggi dan inferensi berbiaya rendah di cloud

Dengan menggunakan Amazon SageMaker, Anda dapat menerapkan model machine learning yang Anda latih ke instans Amazon Inf1, yang dibangun menggunakan chip AWS Inferentia, untuk menyediakan kinerja tinggi dan inferensi berbiaya rendah. Dengan menggunakan instans Inf1, Anda dapat menjalankan aplikasi inferensi machine learning berskala besar seperti pengenalan gambar, pengenalan ucapan, pemrosesan bahasa alami, personalisasi, dan deteksi penipuan, dengan biaya terendah di cloud. Dengan Amazon SageMaker Neo, Anda dapat mengompilasi model machine learning yang Anda latih untuk berjalan optimal pada instans Inf1 dan dengan mudah menerapkan model yang dikompilasi pada instans Inf1 untuk inferensi real-time.

Mulai Menggunakan Amazon SageMaker

Mulai merancang dengan Amazon SageMaker di AWS Management Console.