SageMaker Canvas rende possibile il machine learning no-code e la preparazione dei dati nell'ordine dei petabyte
Con Amazon SageMaker Canvas ora le aziende possono sfruttare tutto il potenziale dei propri dati abilitando il supporto di set di dati nell'ordine dei petabyte. A partire da oggi, puoi preparare in modo interattivo set di dati di grandi dimensioni, creare flussi di dati end-to-end e attivare esperimenti di AutoML nell'ordine dei petabyte, un salto di qualità notevole rispetto al precedente limite di 5 GB. Con oltre 50 connettori, un'interfaccia intuitiva che permette di "chattare con i dati" e il supporto dei petabyte, Canvas offre una soluzione di ML scalabile, low-code/no-code per gestire casi d'uso aziendali reali.
A partire da oggi, Canvas offre nuove tecniche di campionamento (ad esempio casuale e stratificato) che consentono la creazione di campioni che contengono fino a 200.000 righe. È dieci volte il numero di righe offerto in precedenza. Ciò rende più semplice raccogliere informazioni sulla qualità dei dati e comprendere l'impatto delle trasformazioni dei dati in modo interattivo prima di passare alla fase di elaborazione dell'intero set di dati, sfruttando la nuova integrazione ottimizzata con EMR Serverless. Canvas ridimensiona automaticamente l'elaborazione di oltre 5 GB di dati tra campionamento, preparazione, creazione dei modelli e inferenza su EMR Serverless, sbloccando il pieno potenziale predittivo dei dati attraverso un'esperienza intuitiva. L'utilizzo di EMR Serverless comporta costi aggiuntivi in base alle tariffe di EMR.
Il nuovo supporto per petabyte e l'esperienza interattiva migliorata sono disponibili in tutte le regioni AWS in cui viene offerto SageMaker Canvas.
Per iniziare a usare il machine learning no-code e la preparazione dei dati di set di dati di grandi dimensioni, abilita la "configurazione di elaborazione di dati di grandi dimensioni" nel tuo dominio Canvas e nel tuo profilo utente utilizzando la nostra documentazione tecnica e scopri come utilizzare la nuova funzionalità dal blog di AWS Machine Learning. Per accedere alla versione più recente, gli utenti esistenti devono aggiornare le impostazioni del loro dominio SageMaker seguendo la documentazione, disconnettersi dall'area di lavoro Canvas ed eseguire nuovamente l'accesso.