Domande generali

D: Cos'è Amazon SageMaker?

Amazon SageMaker è un servizio completamente gestito che consente a data scientist e sviluppatori di creare, formare e distribuire in modo rapido e semplice modelli di apprendimento automatico.

D: Cosa è possibile fare con Amazon SageMaker?

Amazon SageMaker permette a sviluppatori e data scientist di dare vita a modelli di apprendimento automatico da usare in app intelligenti e predittive.

D: Come si inizia a usare Amazon SageMaker?

Per iniziare a usare Amazon SageMaker, è necessario eseguire l'accesso nella relativa console, lanciare un'istanza notebook con uno dei notebook di esempio, modificarla collegando origini dati personalizzate, seguire gli esempi per creare, formare e convalidare i modelli e distribuire il risultato in produzione in pochi passaggi.

D: In quali regioni è disponibile Amazon SageMaker?

Per un elenco completo delle regioni AWS supportate da Amazon SageMaker, consulta la tabella delle regioni AWS per l'infrastruttura globale AWS. Per ulteriori informazioni, consulta inoltre la pagina Regions and Endpoints nel documento AWS General Reference.

D: È possibile ottenere uno storico di tutte le chiamate alle API di Amazon SageMaker effettuate sull'account per analizzare la sicurezza e per la risoluzione dei problemi operativi?  

Sì. Per ricevere uno storico delle chiamate API AWS SageMaker effettuate sul tuo account, è sufficiente attivare AWS CloudTrail nella Console di gestione AWS. Le seguenti chiamate API nel runtime di Amazon SageMaker *non vengono registrate e inoltrate: InvokeEndpoint.

D: Quali livelli di disponibilità offre Amazon SageMaker?

Amazon SageMaker è progettato per offrire disponibilità elevata. Non sono previsti finestre di manutenzione o tempi di inattività pianificati. L'API Amazon SageMaker viene eseguita nei data center sicuri e ad elevata disponibilità di Amazon, con replica dello stack di servizi configurata fra tre strutture in ogni regione AWS per offrire tolleranza ai guasti in caso di inattività di un server o di interruzione del servizio nella zona di disponibilità.

D: Quali misure di sicurezza implementa Amazon SageMaker?

Amazon SageMaker crittografa gli artefatti di modello di apprendimento automatico e di altri elementi del sistema, sia inattivi sia in transito. Le richieste all'API e alla console di Amazon SageMaker vengono inoltrate tramite una connessione sicura (SSL). È possibile avvalersi di ruoli AWS Identity and Access Management in Amazon SageMaker per assegnare automaticamente autorizzazioni di accesso alle risorse per formazione e distribuzione. È anche possibile utilizzare bucket S3 per dati e artefatti di modello, nonché applicare una chiave KMS a notebook di Amazon SageMaker, processi di addestramento ed endpoint per crittografare i volumi di storage dedicati all'apprendimento automatico.

D: In che modo AWS SageMaker protegge il codice?

Amazon SageMaker memorizza il codice in volumi di storage per l'apprendimento automatico, protetti da gruppi di sicurezza crittografabili su disco.

D: Come viene fatturato l'utilizzo di Amazon SageMaker?

Verranno addebitati i costi delle risorse di storage e di elaborazione dati e apprendimento automatico utilizzate per hosting del notebook, addestramento di modelli, elaborazione di previsioni e registrazione dei risultati. Amazon SageMaker permette di selezionare il numero e il tipo di istanze da utilizzare per il notebook in hosting, l'addestramento e l'hosting del modello. I prezzi sono calcolati solo in base all'uso effettivo, senza tariffe minime né impegni anticipati.

D: Se invece è già presente un notebook o un ambiente di addestramento o hosting?

Amazon SageMaker offre un flusso di lavoro completo, ma è sempre possibile continuare a utilizzare gli strumenti esistenti insieme al servizio. Trasferire i risultati di ciascuna fase da o verso Amazon SageMaker secondo le esigenze aziendali è molto semplice.

Notebook Jupyter in hosting

D: Quali tipi di notebook sono supportati?

Al momento sono supportati i notebook Jupyter.

D: In che modo è possibile conservare i file del notebook una volta chiuso lo spazio di lavoro?

Per conservare i file del notebook è possibile utilizzare il volume di storage di apprendimento automatico collegato. Tale volume sarà scollegato quando l'istanza del notebook viene arrestata e ricollegato quando l'istanza viene riavviata. Gli elementi in memoria non saranno conservati.

D: In che modo è possibile aumentare le risorse disponibili per il notebook?

Per modificare l'istanza notebook e selezionare un profilo di maggior respiro, è possibile utilizzare la console di Amazon SageMaker, salvando i file e i dati sul volume di storage di apprendimento automatico collegato. L'istanza notebook sarà riavviata e avrà a disposizione maggiori risorse e gli stessi file e librerie.

D: In che modo è possibile addestrare un modello da un notebook di Amazon SageMaker?

Una volta avviato un notebook di esempio, è possibile personalizzarlo in base a origini dati e schema ed eseguire le API AWS per i processi di creazione e addestramento. È possibile consultare l'avanzamento del processo di addestramento nella console di Amazon SageMaker o tramite le API AWS.

Addestramento di modelli

D: Sono previste limitazioni per il set di dati utilizzabile per l'addestramento?

Non sono previsti limiti fissi alle dimensioni del set di dati utilizzabile per l'addestramento di modelli con Amazon SageMaker.

D: Quali origini dati è possibile estrarre in Amazon SageMaker?

Durante la creazione di un processo di addestramento, è possibile specificare il percorso dei dati di addestramento in Amazon S3.

D: Quali algoritmi usa Amazon SageMaker per generare modelli?

Amazon SageMaker include di default algoritmi per regressione lineare, regressione logistica, clustering k-medie, analisi delle componenti principali, macchine di fattorizzazione, topic modeling neurale, allocazione latente di Dirichlet, alberi con gradient boosting, sequence2sequence, previsione di serie storiche, word2vec e classificazione di immagini. Amazon SageMaker offre inoltre container Apache MXNet, Tensorflow, Chainer e PyTorch ottimizzati. Infine, il servizio supporta gli algoritmi di addestramento personalizzati tramite immagini Docker conformi alle specifiche documentate.

D: Cos'è l'ottimizzazione automatica dei modelli

La maggior parte degli algoritmi di apprendimento automatico impiegano una serie di parametri che controllano il funzionamento dell'algoritmo sottostante. Questi parametri vengono in genere chiamati iperparametri; i loro valori influenzano la qualità dei modelli addestrati. L'ottimizzazione automatica dei modelli è il processo di ricerca di un set di iperparametri di un algoritmo che offrano un modello ottimale.

D: A quali modelli può essere applicata l'ottimizzazione automatica dei modelli?

È possibile eseguire l'ottimizzazione di modelli in Amazon SageMaker su qualsiasi algoritmo purché sia scientificamente fattibile, ad esempio algoritmi integrati in SageMaker, reti neurali profonde o algoritmi arbitrari caricati in Amazon SageMaker sotto forma di immagini Docker.

D: È possibile utilizzare l'ottimizzazione automatica dei modelli al di fuori di Amazon SageMaker?

No, al momento no. Esperienza e prestazioni di ottimizzazione del modello sono migliori nell'ambito di Amazon SageMaker.

D: In cosa consiste l'algoritmo di ottimizzazione sottostante?

Al momento, il nostro algoritmo per l'ottimizzazione degli iperparametri è un'implementazione ottimizzata dell'ottimizzazione baynesiana. Il suo scopo è l'ottimizzazione dei parametri secondo un obiettivo stabilito dal cliente. In particolare, verifica i parametri di oggetto per i processi di addestramento completati e sfrutta i dati ottenuti per dedurre la combinazione di iperparametri per il processo di addestramento successivo.

D: Sono previsti suggerimenti per l'ottimizzazione di specifici iperparametri?

No. Il modo in cui i singoli iperparametri alterano le prestazioni di un modello dipende da diversi fattori e non è semplice stabilire se un iperparametro sia più importante di altri e debba essere quindi modificato. Per gli algoritmi in Amazon SageMaker, è già stabilito quali iperparametri possono essere ottimizzati.

D: Quanto tempo richiede un processo di ottimizzazione di iperparametri?

La durata di un processo di ottimizzazione degli iperparametri dipende da diversi fattori, tra cui le dimensioni dei dati, l'algoritmo sottostante e i valori degli iperparametri. Inoltre, i clienti potranno scegliere il numero di processi di addestramento simultanei e il numero totale. Tutte queste scelte influenzano la durata del processo di ottimizzazione. 

D: È possibile ottimizzare diversi obiettivi simultaneamente, ad esempio ottenendo un modello sia rapido sia preciso?

No, al momento no. È necessario specificare un singolo obiettivo di ottimizzazione, oppure modificare il codice dell'algoritmo in modo che emetta un nuovo parametro, che sarà confrontato con altri parametri per applicarvi il processo di addestramento secondo il nuovo obiettivo.

D: Quanto costa l'ottimizzazione automatica dei modelli?

Per il processo di ottimizzazione di per sé non è previsto alcun costo. Saranno tuttavia addebitati i costi dei processi di addestramento avviati dal processo di ottimizzazione, secondo le tariffe di addestramento dei modelli.

D: Quanto costa l'ottimizzazione automatica dei modelli?

Per il processo di ottimizzazione di per sé non è previsto alcun costo. Saranno tuttavia addebitati i costi dei processi di addestramento avviati dal processo di ottimizzazione, secondo le tariffe di addestramento dei modelli.

Distribuzione di modelli

D: È possibile accedere all'infrastruttura su cui viene eseguito AWS SageMaker?

No. AWS SageMaker gestisce automaticamente l'infrastruttura di elaborazione, consentendo l'esecuzione di controlli dello stato, l'applicazione di patch di sicurezza e altre attività di manutenzione di routine. È anche possibile distribuire artefatti di modelli provenienti dai processi di addestramento con codice di inferenza personalizzato nell'ambiente di hosting aziendale.

D: In che modo è possibile ricalibrare le dimensioni e le prestazioni di un modello di Amazon SageMaker una volta avviata la fase di produzione?

L'hosting di Amazon SageMaker viene ricalibrato automaticamente mediante Application Auto Scaling in base alle prestazioni necessarie all'applicazione. Inoltre, è possibile modificare manualmente il tipo e il numero di istanze senza interrompere l'operatività apportando modifiche alla configurazione dell'endpoint.

D: In che modo è possibile monitorare l'ambiente di produzione di Amazon SageMaker?

Amazon SageMaker può inoltrare i propri parametri prestazionali in Amazon CloudWatch per permetterne il monitoraggio, per impostare allarmi e configurare operazioni da eseguire in base alle variazioni del traffico. Inoltre, Amazon SageMaker trascrive i propri log in Amazon CloudWatch Logs per favorire monitoraggio e risoluzione dei problemi negli ambienti di produzione.

D: Quali tipi di modelli possono essere conservati in hosting con Amazon SageMaker?

Amazon SageMaker è compatibile con l'hosting di qualsiasi modello conforme alle specifiche documentate per le immagini Docker di inferenza. Sono pertanto inclusi i modelli creati a partire da codice di inferenza e artefatti di modello di Amazon SageMaker.

D: Quante richieste simultanee in tempo reale dell'API supporta Amazon SageMaker?

Amazon SageMaker è stato progettato per ricalibrare le risorse fino a supportare un numero elevato di transazioni al secondo. Il numero preciso varia in base al modello distribuito e a tipo e numero di istanze in cui il modello è stato implementato.


D: Che cos'è la trasformazione in batch?

La trasformazione in batch permette di eseguire analisi predittive su batch di dati di piccole e grandi dimensioni. Non è necessario porzionare il set di dati o gestire gli endpoint in tempo reale. È possibile richiedere analisi predittive con una semplice API per un numero elevato di record di dati, eseguendone la trasformazione in modo rapido e semplice.

 

Ulteriori informazioni sui prezzi di Amazon SageMaker

Visita la pagina dei prezzi
Sei pronto per iniziare?
Registrati
Hai altre domande?
Contattaci