Amazon SageMaker menyediakan alat yang dibuat khusus untuk operasi machine learning (MLOps) sehingga Anda dapat mengotomatiskan dan menstandarkan proses di seluruh siklus hidup ML. Anda dapat menggunakan alat MLOps SageMaker untuk melatih, menguji, menyelesaikan masalah, melakukan deployment, dan mengatur model ML dalam skala besar agar dapat meningkatkan produktivitas ilmuwan data dan teknisi ML sekaligus mempertahankan performa model yang sedang diproduksi.

Dengan menstandarkan lingkungan pengembangan ML, produktivitas ilmuwan data dan kecepatan inovasi dapat ditingkatkan sehingga dapat dengan mudah meluncurkan proyek baru, merotasikan ilmuwan data di seluruh proyek, dan mengimplementasikan praktik terbaik ML. Proyek Amazon SageMaker menawarkan templat yang dapat dengan cepat menyediakan alat dan pustaka, repositori kontrol sumber, kode boilerplate, serta pipeline CI/CD yang teruji dan terbaru di lingkungan ilmuwan data terstandar.

Baca panduan developer untuk mengotomatiskan MLOps dengan Proyek SageMaker

Model ML dibuat dengan proses iteratif yang melibatkan pelatihan ratusan model berbeda untuk mencari algoritme, arsitektur model, dan parameter terbaik sehingga tingkat akurasi prediksi yang diperlukan dapat tercapai. Anda dapat melacak input dan output di seluruh iterasi pelatihan ini untuk meningkatkan pengulangan uji coba dan kolaborasi di antara ilmuwan data menggunakan Amazon SageMaker Experiments, sebuah fitur manajemen eksperimen ML terkelola penuh.

SageMaker Experiments melacak parameter, metrik, set data, dan artefak lain yang berkaitan dengan tugas pelatihan model Anda. SageMaker Experiments menawarkan antarmuka tunggal yang dapat menampilkan tugas pelatihan Anda yang sedang berlangsung, membagikan eksperimen dengan rekan kerja, dan melakukan deployment secara langsung dari suatu eksperimen.

Kelola Machine Learning dengan Amazon SageMaker Experiments

Mengotomatiskan alur kerja pelatihan membantu Anda membuat proses berulang untuk mengorkestrasi langkah-langkah pengembangan model untuk eksperimen cepat dan pelatihan ulang model. Anda dapat mengotomatiskan seluruh alur kerja pembuatan model, termasuk persiapan data, rekayasa fitur, pelatihan model, penyetelan model, dan validasi model menggunakan Amazon SageMaker Pipelines. Anda dapat mengonfigurasi SageMaker Pipelines untuk berjalan secara otomatis secara berkala atau saat peristiwa tertentu dipicu, atau menjalankannya secara manual sesuai kebutuhan.

Pelajari selengkapnya tentang Jalur Pembuatan Model Amazon SageMaker

Biasanya, Anda perlu memperbanyak model yang sedang diproduksi untuk menyelesaikan masalah perilaku model dan menentukan akar masalahnya. Untuk membantu hal ini, Amazon SageMaker mencatat setiap langkah dari alur kerja Anda, membuat jejak audit dari artefak model, seperti data pelatihan, pengaturan konfigurasi, parameter model, dan gradien pembelajaran. Anda dapat membuat ulang model untuk men-debug potensi masalah menggunakan pelacakan lini.

Pelajari selengkapnya tentang Pelacakan Silsilah Amazon SageMaker ML

Pembuatan aplikasi ML melibatkan pengembangan model, pipeline data, pipeline pelatihan, dan uji validasi. Anda dapat menggunakan Registri Model Amazon SageMaker untuk melacak versi model dan metadata model, seperti pengelompokan kasus penggunaan, serta dasar metrik performa model di repositori pusat yang dapat dengan mudah memilih model yang tepat untuk deployment sesuai kebutuhan bisnis. Selain itu, Registri Model SageMaker secara otomatis mencatat alur kerja persetujuan untuk kepentingan audit dan kepatuhan.

Pelajari selengkapnya tentang Mendaftarkan dan Melakukan Deployment Model dengan Registri Model

Alur kerja pengembangan ML harus berintegrasi dengan alur kerja integrasi dan deployment sehingga model baru untuk aplikasi produksi dapat dikirimkan dengan cepat. Proyek Amazon SageMaker menghadirkan praktik CI/CD ke ML, seperti menjaga keseimbangan antara lingkungan pengembangan dan produksi, kontrol sumber dan versi, pengujian A/B, dan otomatisasi menyeluruh. Akibatnya, Anda dapat menempatkan model di produksi segera setelah disetujui dan juga meningkatkan ketangkasan. 

Selain itu, Amazon SageMaker menawarkan perlindungan bawaan untuk membantu menjaga ketersediaan titik akhir dan meminimalkan risiko deployment. SageMaker menangani penyiapan dan mengorkestrasi praktik terbaik deployment, seperti deployment Biru/Hijau untuk memaksimalkan ketersediaan dan mengintegrasikannya dengan mekanisme pembaruan titik akhir, misalnya mekanisme rollback otomatis untuk membantu Anda secara otomatis mengidentifikasi masalah lebih awal dan mengambil tindakan perbaikan sebelum masalah tersebut memengaruhi produksi secara signifikan.

Buat solusi ML menyeluruh dengan CI/CD menggunakan proyek SageMaker

Setelah model diproduksi, Anda perlu memantau performanya dengan mengonfigurasi peringatan sehingga ilmuwan data yang siap dipanggil dapat menyelesaikan masalah dan merancang pelatihan ulang. Amazon SageMaker Model Monitor membantu Anda mempertahankan kualitas model dengan mendeteksi penyimpangan model dan konsep secara langsung, serta mengirim peringatan kepada Anda agar dapat segera mengambil tindakan. SageMaker Model Monitor terus memantau karakteristik performa model, seperti akurasi dalam menghitung jumlah prediksi yang benar dibandingkan dengan jumlah total prediksi sehingga Anda dapat mengatasi anomali. SageMaker Model Monitor terintegrasi dengan SageMaker Clarify untuk meningkatkan visibilitas ke dalam potensi bias.

Pelajari selengkapnya 

Amazon SageMaker mempermudah deployment model ML untuk menghasilkan inferensi beperforma tinggi dan berbiaya rendah bagi setiap kasus penggunaan. Amazon SageMaker menyediakan banyak pilihan infrstruktur ML dan opsi deployment model untuk memenuhi kebutuhan inferensi ML Anda.

Pelajari selengkapnya