Amazon SageMaker Experiments
Mengelola eksperimen machine learning secara efisien
Tingkat gratis
100.000 catatan metrik diserap per bulan, 1 juta catatan metrik diambil (melalui API) per bulan, dan 100.000 catatan metrik disimpan per bulan. Tingkat gratis tersedia untuk 6 bulan pertama.
Menganalisis dan membandingkan iterasi pelatihan ML untuk memilih model dengan performa terbaik
SageMaker Experiments adalah layanan yang dikelola untuk melacak dan menganalisis eksperimen ML dalam skala besar.
Eksperimen log yang dilakukan di IDE apa pun
Eksperimen ML dilakukan di beragam lingkungan seperti notebook dan IDE lokal, kode pelatihan yang berjalan di cloud, atau IDE yang dikelola di cloud seperti SageMaker Studio. Dengan SageMaker Experiments, Anda dapat mulai melacak eksperimen Anda secara terpusat dari lingkungan atau IDE apa pun hanya dengan menggunakan beberapa baris kode Python yang mudah digunakan oleh ilmuwan data.
Mengelola metadata eksperimen ML secara terpusat
Proses pengembangan model ML melibatkan eksperimen dengan berbagai kombinasi data, algoritme, dan parameter, sekaligus mengevaluasi dampak perubahan bertahap pada performa model. Dengan Sagemaker Experiments, Anda dapat melacak iterasi ML dan menyimpan semua metadata terkait seperti metrik, parameter, dan artefak di tempat yang terpusat secara otomatis.
Evaluasi eksperimen
Menemukan model terbaik dari beberapa iterasi memerlukan analisis dan perbandingan pada performa model. SageMaker Experiments menyediakan visualisasi seperti grafik sebar, diagram batang, dan histogram. Selain itu, SDK Sagemaker Experiments memungkinkan Anda memuat data yang dicatat di notebook untuk analisis offline.
Buat model secara kolaboratif
Kolaborasi yang berpusat pada tim dalam organisasi adalah kunci keberhasilan proyek ilmu data. SageMaker Experiments terintegrasi dengan SageMaker Studio, yang memungkinkan anggota tim mengakses informasi yang sama dan mengonfirmasi bahwa hasil eksperimen konsisten, sehingga lebih memudahkan kolaborasi. Gunakan kemampuan pencarian SageMaker Studio untuk menemukan eksperimen yang relevan dengan cepat dari eksperimen yang lalu.
Perbanyak dan audit eksperimen ML
Ketika performa model berubah, Anda harus memahami akar penyebab dari perubahan tersebut. Terkadang Anda ingin mendokumentasikan proses pengembangan model sehingga model dapat diperbanyak dan diuji dengan mudah. Dengan menggunakan Sagemaker Experiments, Anda dapat mengakses dan memperbanyak alur kerja ML dari eksperimen yang telah Anda lacak.
Cara Memulai
Cari tahu cara kerja SageMaker Experiments
Pelajari selengkapnya tentang manajemen eksperimen, pencatatan metadata, dan analisis.