Amazon SageMaker

Machine learning per tutti gli sviluppatori e i data scientist

Amazon SageMaker è un servizio completamente gestito che consente a data scientist e sviluppatori di creare, formare e distribuire in modo rapido modelli di machine learning (ML). SageMaker semplifica i passaggi del processo di machine learning per sviluppare modelli di alta qualità in modo più facile.

Lo sviluppo tradizione di machine learning è un processo iterativo, costoso e complesso, reso ancora più complicato dalla mancanza di strumenti integrati per l'intero flusso di lavoro ML. È necessario utilizzare contemporaneamente strumenti e flussi di lavoro, con il conseguente aumento del rischio di errori e dispendio di tempo. SageMaker risolve questi problemi fornendo tutti i componenti utilizzati per il machine learning in un unico set di strumenti, così che l’invio dei modelli alla produzione risulti meno faticoso, più veloce ed economicamente vantaggioso.

Creazione di modelli di machine learning

SOLO SU AMAZON SAGEMAKER

Aumenta la produttività con Amazon SageMaker Studio, il primo ambiente di sviluppo completamente integrato per il machine learning

Amazon SageMaker Studio fornisce un'interfaccia visiva unica basata sul Web in cui si possono eseguire tutte le fasi di sviluppo di machine learning. SageMaker Studio assicura accesso, controllo e visibilità completi su tutte le fasi di progettazione, formazione e distribuzione dei modelli. È possibile caricare dati, creare nuovi notebook, formare e ottimizzare modelli, spostarsi avanti e indietro tra le fasi per adeguare gli esperimenti, confrontare risultati e distribuire modelli alla produzione senza dover cambiare contesto di lavoro, ottimizzando la produttività e in modo rapido. Tutte le attività di sviluppo del machine learning che includono notebook, gestione degli esperimenti, creazione automatica dei modelli, profilazione e debugging, oltre al rilevamento di errori del modello, possono essere eseguite all'interno dell'interfaccia visiva unificata di SageMaker Studio.

SageMaker Studio
Sagemaker Studio

È possibile utilizzare un ambiente integrato per lo sviluppo di ML. Per esempio, si possono aggiornare i modelli in un notebook e scoprire come le modifiche influiscono sulla qualità del modello utilizzando una visualizzazione affiancata del notebook e degli esperimenti di formazione.

È possibile utilizzare un ambiente integrato per lo sviluppo di ML. Per esempio, si possono aggiornare i modelli in un notebook e scoprire come le modifiche influiscono sulla qualità del modello utilizzando una visualizzazione affiancata del notebook e degli esperimenti di formazione.

 Fare clic per allargare

SOLO SU AMAZON SAGEMAKER

I notebook Amazon SageMaker consentono una maggior velocità di creazione e collaborazione

Gestire le istanze di elaborazione per visualizzare, eseguire o condividere un notebook è un'operazione noiosa. Ora con Amazon SageMaker Notebooks, disponibile in anteprima, basta un clic per accedere a notebook Jupiter e iniziare a operare in pochi secondi. Le risorse di elaborazione sottostanti sono perfettamente elastiche e consentono di calibrare le risorse disponibili, mentre le modifiche vengono apportate automaticamente in background senza interrompere il lavoro. SageMaker permette anche la condivisione di notebook con un clic. Tutte le dipendenze di codice vengono automaticamente acquisite per facilitare la collaborazione con altri. Lo stesso identico notebook sarà a loro disposizione, salvato nella medesima posizione.

È possibile scegliere fra decine di notebook predefiniti in SageMaker, a seconda del caso d'uso. Per iniziare velocemente, in AWS Marketplace sono inoltre disponibili centinaia di algoritmi e modelli già formati.

Notebook
Notebook

Per riprodurre il codice del notebook, è sufficiente generare un collegamento condivisibile senza monitoraggio manuale delle dipendenze.

Per riprodurre il codice del notebook, è sufficiente generare un collegamento condivisibile senza monitoraggio manuale delle dipendenze.

 Fare clic per allargare

SOLO SU AMAZON SAGEMAKER

Crea, forma e ottimizza automaticamente modelli con visibilità e controllo totali con Amazon SageMaker Autopilot

Amazon SageMaker Autopilot è la prima funzionalità automatica di machine learning del settore in grado di assicurare controllo e visibilità totali sui modelli di ML. Gli approcci tradizionali al machine learning automatico non danno indicazioni precise sui dati impiegati nella creazione del modello né sulla logica utilizzata per crearlo. Ne consegue che, anche quando il modello è mediocre, non è possibile farlo evolvere. Manca inoltre la flessibilità necessaria per tentare compromessi, ad esempio sacrificando in parte l’accuratezza per ottenere previsioni con latenza inferiore, dato che le tradizionali soluzioni ML automatiche propongono un solo modello da cui scegliere.

In SageMaker Autopilot bastano pochi clic per esaminare automaticamente i dati grezzi, applicare i processori di caratteristiche, scegliere il miglior set di algoritmi, formare e ottimizzare diversi modelli, controllarne le prestazioni e utilizzare queste ultime per stilare una classifica dei modelli. Il risultato è un modello con le migliori prestazioni possibili, che si può distribuire in una frazione del tempo normalmente richiesto per formare il modello. Sono assicurate la piena visibilità delle modalità di creazione del modello e di ciò che contiene e la perfetta integrazione di SageMaker Autopilot e Amazon SageMaker Studio. In SageMaker Studio è possibile cercare fino a 50 modelli diversi generati da SageMaker Autopilot, così da facilitare la scelta del modello migliore per il caso d'uso specifico. SageMaker Autopilot può essere utilizzato per produrre facilmente un modello anche da chi non possiede esperienza di machine learning ma può anche essere utilizzato da sviluppatori esperti per sviluppare un modello di base per le successive iterazioni del team.

Ulteriori informazioni »

Autopilot
Autopilot

Crea automaticamente modelli di machine learning e scegli quello che meglio soddisfa il tuo caso d'uso. Per esempio, controlla la classifica per vedere le prestazioni di ogni opzione e scegliere il modello che soddisfa i tuoi requisiti di accuratezza del modello e latenza.

Crea automaticamente modelli di machine learning e scegli quello che meglio soddisfa il tuo caso d'uso. Per esempio, controlla la classifica per vedere le prestazioni di ogni opzione e scegliere il modello che soddisfa i tuoi requisiti di accuratezza del modello e latenza.

 Fare clic per allargare

SOLO SU AMAZON SAGEMAKER

Riduci i costi di etichettatura dei dati fino al 70% utilizzando Amazon SageMaker Ground Truth

I modelli di machine learning più riusciti vengono creati utilizzando grandi volumi di dati di addestramento di qualità elevata. Tuttavia, il processo di creazione di dati di addestramento necessari alla formazione di questi modelli è spesso oneroso, articolato e richiede molto tempo. Amazon SageMaker Ground Truth ti aiuta a creare e gestire rapidamente set di dati per la formazione estremamente accurati. Ground Truth consente di accedere facilmente a etichettatori attraverso Amazon Mechanical Turk e offre interfacce e flussi di lavoro predefiniti per le attività di etichettatura più comuni. Puoi anche utilizzare i tuoi etichettatori o fornitori consigliati da Amazon attraverso AWS Marketplace. Inoltre, Ground Truth apprende costantemente dalle etichette realizzate da esseri umani per effettuare annotazioni automatiche di alta qualità e ridurre in modo consistente i costi di etichettatura.

Ulteriori informazioni »

70%

RIDUZIONE DEI COSTI PER L’ETICHETTATURA DEI DATI

Amazon SageMaker supporta i principali framework di deep learning

Tra i framework supportati figurano TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn e Deep Graph Library. 

Amazon-SageMaker_Framework-Logos_F2f3f3

Formazione di modelli di machine learning

SOLO SU AMAZON SAGEMAKER

Amazon SageMaker Experiment consente di organizzare, controllare e valutare le esecuzioni di formazione

Amazon SageMaker Experiments aiuta a organizzare e controllare le iterazioni sui modelli di machine learning. La formazione di un modello di ML solitamente richiede molte iterazioni per isolare e misurare l'impatto del cambiamento di set di dati, versioni dell'algoritmo e parametri del modello. Durante queste iterazioni, vengono create centinaia di artefatti come modelli, dati di formazione, configurazioni di piattaforma, impostazioni di parametro e parametri di formazione. Per controllare questi esperimenti, vengono spesso utilizzati meccanismi poco funzionali come i fogli di calcolo.

SageMaker Experiments consente di gestire le iterazioni acquisendo automaticamente parametri di input, configurazioni e risultati e salvandoli come "esperimenti". Puoi lavorare all'interno dell'interfaccia visiva di SageMaker Studio, in cui puoi sfogliare esperimenti attivi, cercare esperimenti precedenti in base alle loro caratteristiche, rivedere esperimenti precedenti e i relativi risultati e paragonare i risultati degli esperimenti in modo visivo.

Esperimenti
Esperimenti

Tieni traccia di migliaia di esperimenti per la formazione per capire il livello di accuratezza del tuo modello. Ad esempio visualizza in un grafico in che modo i set di dati appartenenti a serie temporali diverse influiscono sull'accuratezza del modello.

Tieni traccia di migliaia di esperimenti per la formazione per capire il livello di accuratezza del tuo modello. Ad esempio visualizza in un grafico in che modo i set di dati appartenenti a serie temporali diverse influiscono sull'accuratezza del modello.

 Fai clic per allargare

SOLO SU AMAZON SAGEMAKER

Analizza, effettua il debug e risolvi i problemi per machine learning utilizzando Amazon SageMaker Debugger

Il processo di formazione ML è molto opaco e il tempo necessario per formare un modello può essere lungo e difficile da ottimizzare. Di conseguenza, spesso è difficile interpretare e spiegare i modelli. Amazon SageMaker Debugger rende il processo di formazione più trasparente, acquisendo automaticamente i parametri in tempo reale durante la formazione come formazione e convalida, matrici di confusione e gradienti di apprendimento per migliorare l'accuratezza del modello.

I parametri di SageMaker Debugger possono essere visualizzati in SageMaker Studio per una comprensione semplificata. SageMaker Debugger può anche generare avvisi di allarme e correzione quando vengono rilevati comuni problemi di formazione. Con SageMaker Debugger, puoi interpretare il modo in cui un modello sta operando, costituendo un primo passo verso l'esplicabilità dei modelli.

Debugger
Debugger

Analizza ed effettua il debug delle anomalie. Ad esempio, la formazione di una rete neurale si interromperà se i gradienti sono destinati a scomparire. SageMaker Debugger identifica i gradienti destinati a scomparire, in modo da correggerli prima che la formazione sia intaccata.

Analizza ed effettua il debug delle anomalie. Ad esempio, la formazione di una rete neurale si interromperà se i gradienti sono destinati a scomparire. SageMaker Debugger identifica i gradienti destinati a scomparire, in modo da correggerli prima che la formazione sia intaccata.

 Fai clic per allargare

AWS è il posto migliore per eseguire TensorFlow

Le ottimizzazioni TensorFlow di AWS forniscono efficienza di dimensionamento quasi lineare su centinaia di GPU per operare a livello di cloud senza sovraccarico di elaborazione per formare modelli più accurati e sofisticati in molto meno tempo.

90%

EFFICIENZA DI DIMENSIONAMENTO CON 256 GPU

Costi di formazione inferiori del 90%

Amazon SageMaker fornisce Formazione gestita da istanze spot per contribuire a ridurre i costi di formazione fino al 90%. Questa funzionalità utilizza le Istanze spot si Amazon EC2, che sono la capacità di calcolo di AWS di riserva. I processi di formazione vengono eseguiti automaticamente quando la capacità di calcolo diventa disponibile e sono resilienti alle interruzioni provocate da modifiche della capacità, consentendo un risparmio grazie alla flessibilità del momento di esecuzione dei processi di formazione.

90%

RIDUZIONE DEI COSTI CON LA FORMAZIONE GESTITA DA ISTANZE SPOT

Distribuzione di un modello di machine learning

Distribuzione con un clic

Con Amazon SageMaker basta un clic per distribuire in produzione il modello formato, così è possibile iniziare a generare previsioni su dati in tempo reale o in batch. Il modello può essere distribuito con un solo clic su istanze di Amazon ML con dimensionamento automatico in diverse zone di disponibilità per ottenere ridondanza elevata. È sufficiente specificare il tipo e il numero massimo e minimo di istanze: SageMaker di occuperà del resto. SageMaker avvierà le istanze, distribuirà il modello e configurerà l'endpoint HTTPS protetto per l'applicazione. L'applicazione dovrà semplicemente includere una chiamata API all'endpoint per ottenere inferenze a bassa latenza e throughput elevato. Questa architettura permette di integrare nuovi modelli nell'applicazione in pochi minuti, perché non sarà più necessario intervenire sul codice dell'applicazione per modificare il modello.

SOLO SU AMAZON SAGEMAKER

Mantieni i modelli accurati nel tempo utilizzando Amazon SageMaker Model Monitor

Amazon SageMaker Model Monitor consente agli sviluppatori di rilevare e correggere il concept drift. Oggi, uno dei principali fattori che possono intaccare la precisione dei modelli distribuiti è la diversità tra i dati utilizzati per generare le previsioni e quelli usati per formare il modello. Per esempio, il cambiamento delle condizioni economiche potrebbe provocare nuove tariffe di interesse e avere un impatto sugli acquisti domestici. Viene chiamato concept drift il processo secondo cui i pattern che il modello utilizza per eseguire previsioni non sono più validi. SageMaker Model Monitor rileva automaticamente il concept drift nei modelli distribuiti e fornisce avvisi dettagliati che aiutano a identificare la causa del problema. Tutti i modelli formati su SageMaker emettono automaticamente metriche chiave che possono essere raccolte e visualizzate su Sagemaker Studio. Dall'interno di SageMaker Studio è possibile configurare i dati in modo che vengano raccolti, come visualizzarli, e quando ricevere gli avvisi.

Monitoraggio modelli
Monitoraggio modelli

Monitoraggio modelli in produzione. Per esempio, è possibile visualizzare grafici con importanti funzioni modello e statistiche di riepilogo, riguardarli nel corso del tempo e paragonarli con le funzioni utilizzate durante la formazione. Alcune funzioni cambiano quando il modello viene eseguito in produzione, e ciò può indicare il bisogno di riformare il modello.

Monitoraggio modelli in produzione. Per esempio, è possibile visualizzare grafici con importanti funzioni modello e statistiche di riepilogo, riguardarli nel corso del tempo e paragonarli con le funzioni utilizzate durante la formazione. Alcune funzioni cambiano quando il modello viene eseguito in produzione, e ciò può indicare il bisogno di riformare il modello.

 Fai clic per allargare

SOLO SU AMAZON SAGEMAKER

Convalida le previsioni tramite revisione umana

Per molte applicazioni di machine learning è necessario che la revisione delle previsioni di bassa affidabilità sia eseguita da umani per garantire la correttezza dei risultati. Ma aggiungere la revisione umana nel flusso di lavoro può essere dispendiosa a livello di tempo e denaro, oltre a richiedere procedure complesse. Amazon Augmented AI è un servizio che semplifica la creazione dei flussi di lavoro necessari per la revisione umana delle previsione ML. Augmented AI fornisce flussi di lavoro di revisione umani integrati per casi d'uso di machine learning frequenti. È possibile anche creare i propri flussi di lavoro per modelli costruiti su Amazon SageMaker. Con Augmented AI, è possibile far intervenire i revisori umani quando un modello non è capace di effettuare previsioni ad alta affidabilità.

Ulteriori informazioni »

Costi d'inferenza di machine learning ridotti fino al 75% con Amazon Elastic Inference

Nella maggior parte delle applicazioni di deep learning, fare previsioni tramite un modello addestrato (processo definito “inferenza”) può divenire un fattore importante a livello di costi di elaborazione dell'applicazione. Una piena istanza GPU potrebbe essere di dimensioni eccessive per l'inferenza modello. Inoltre, può risultare difficile ottimizzare le esigenze di GPU, CPU e memoria dell'applicazione di deep learning. Amazon Elastic Inference permette di risolvere questi problemi consentendo all'utente di collegare la giusta quantità di accelerazione di inferenza basata su GPU a qualsiasi tipo di istanza Amazon EC2 o Amazon SageMaker o su un'attività Amazon ECS senza modifiche al codice. Con Elastic Inference, è ora possibile scegliere il tipo di istanza più adatto alle esigenze complessive di CPU e memoria dell'applicazione, quindi configurare separatamente la quantità di accelerazione inferenziale necessaria per utilizzare le risorse in modo efficiente e ridurre i costi di esecuzione di inferenza.

75%

MINORI COSTI DI INFERENZA

Esegui l'integrazione con Kubernetes per orchestrazione e gestione

Kubernetes è un sistema open source utilizzato per l'automatizzazione di distribuzione, il ridimensionamento e la gestione di applicazioni nei contenitori. Molti clienti vogliono utilizzare le funzionalità completamente gestite di Amazon SageMaker per il machine learning, ma vogliono anche che i team della piattaforma e dell'infrastruttura continuino a utilizzare Kubernetes per l'orchestrazione e la gestione di pipeline. SageMaker consente agli utenti di formare e utilizzare modelli in SageMaker utilizzando gli operatori Kubernetes e le pipeline. Gli utenti Kubernetes possono accedere a tutte le funzionalità di SageMarker's in modo nativo da Kuberflow.

Inizia a usare Amazon SageMaker

Inizia subito a utilizzare Amazon SageMaker nella Console di gestione AWS.