Domande frequenti su Amazon SageMaker

SageMaker fornisce strumenti di governance del ML creati ad hoc per l'intero ciclo di vita del ML. Con Gestore dei ruoli di Amazon SageMaker è possibile definire le autorizzazioni minime in pochi minuti. Schede dei modelli Amazon SageMaker facilita l'acquisizione, il recupero e la condivisione di informazioni essenziali relative al modello, dalla concezione all'implementazione, mentre Pannello di controllo dei modelli Amazon SageMaker riunisce in un unico posto tutte le informazioni sul comportamento del modello in produzione. Per
ulteriori informazioni, consulta Governance del ML con Amazon SageMaker.

Con Gestore dei ruoli di SageMaker è possibile definire le autorizzazioni minime in pochi minuti. Gestore dei ruoli di SageMaker fornisce una serie di autorizzazioni di base per le attività di ML e una varietà di profili con un catalogo di policy IAM predefinite. È possibile mantenere le autorizzazioni di base oppure personalizzarle sulla base delle proprie specifiche esigenze. Con una serie di istruzioni autoguidate, è possibile immettere rapidamente costrutti di governance comuni, come limiti di accesso alla rete e chiavi di crittografia. Dopodiché, SageMaker Role Manager genererà automaticamente la policy IAM. È possibile consultare il ruolo generato e le policy associate dalla console AWS IAM. Per personalizzare ulteriormente le autorizzazioni in base al caso d'uso, è possibile collegare le policy IAM gestite al ruolo IAM creato con SageMaker Role Manager. Per facilitare l'identificazione del ruolo e consentire un maggiore coordinamento tra i servizi AWS, è possibile aggiungere tag.

Schede dei modelli SageMaker facilita la centralizzazione e la standardizzazione della documentazione del modello per l'intero ciclo di vita del ML consentendo di creare una singola fonte di attendibilità per le informazioni relative al modello. Schede dei modelli SageMaker compila automaticamente i dettagli dell'addestramento per accelerare il processo di documentazione. Inoltre, è possibile aggiungere dettagli come lo scopo del modello e gli obiettivi di prestazione. È possibile collegare alla scheda dei modelli i risultati della rispettiva valutazione e fornire visualizzazioni per ottenere informazioni dettagliate chiave sulle sue prestazioni. Le schede dei modelli SageMaker possono essere facilmente condivise con altre persone tramite l'esportazione in formato PDF.

Pannello di controllo dei modelli SageMaker fornisce una panoramica completa dei modelli implementati e degli endpoint, consentendo di monitorare le risorse e le violazioni di comportamento dei modelli in un unico pannello. Grazie all'integrazione con Amazon SageMaker Model Monitor e SageMaker Clarify, consente di monitorare il comportamento dei modelli rispetto a quattro dimensioni, incluse la qualità dei dati e del modello nonché la deviazione di distorsione e di attribuzione delle funzionalità. Inoltre, Pannello di controllo dei modelli SageMaker fornisce un'esperienza integrata per impostare e ricevere avvisi in merito ai processi di monitoraggio dei modelli assenti o non attivi e sulle deviazioni del comportamento dei modelli rispetto a qualità del modello, qualità dei dati, deviazione di distorsione e deviazione di attribuzione delle funzionalità. È possibile analizzare nel dettaglio i singoli modelli e i fattori che hanno un impatto sulle prestazioni nel corso del tempo. Dopodiché, è possibile consultarsi con i professionisti del ML per intraprendere le opportune misure correttive.

SageMaker JumpStart ti aiuta a iniziare a utilizzare il machine learning in modo facile e veloce. SageMaker JumpStart fornisce una serie di soluzioni per i casi d'uso più comuni che è possibile implementare subito con poche operazioni. Le soluzioni sono totalmente personalizzabili e mostrano l'utilizzo dei modelli e delle architetture di riferimento di AWS CloudFormation, in questo modo puoi accelerare nel percorso verso il ML. Inoltre, SageMaker JumpStart fornisce i modelli di base, supporta l'implementazione in un'unica fase e il perfezionamento di oltre 150 modelli open source popolari come il trasformatore, il rilevamento di oggetti e la classificazione delle immagini. 

SageMaker JumpStart fornisce modelli proprietari e pubblici. Per un elenco dei modelli di base disponibili, consulta Guida introduttiva ad Amazon SageMaker JumpStart.

Puoi accedere ai modelli di base tramite SageMaker Studio, l'SDK SageMaker e la Console di gestione AWS. Per iniziare a usare modelli di base proprietari, devi accettare le condizioni di vendita nel Marketplace AWS.

No. I dati di inferenza e addestramento non vengono utilizzati né condivisi per aggiornare o addestrare il modello base che SageMaker JumpStart offre ai clienti.

No. I modelli proprietari non consentono ai clienti di visualizzare i relativi pesi e script.

I modelli sono individuabili in tutte le regioni in cui è disponibile SageMaker Studio, ma la capacità di implementare un modello varia in base alla disponibilità del modello e dell'istanza del tipo di istanza richiesto. Puoi fare riferimento alla disponibilità della regione AWS e all'istanza richiesta dalla pagina dei dettagli del modello nel Marketplace AWS.

Per i modelli proprietari, vengono addebitati i prezzi del software determinati dal fornitore del modello e i costi dell'infrastruttura SageMaker in base all'istanza utilizzata. Per i modelli disponibili al pubblico, vengono addebitati i costi dell'infrastruttura SageMaker in base all'istanza utilizzata. Per ulteriori informazioni, consulta i prezzi di Amazon SageMaker e il Marketplace AWS.

La sicurezza è la massima priorità di AWS e SageMaker JumpStart è progettato per essere sicuro. È per questo che SageMaker ti offre sempre il controllo e la proprietà sui tuoi contenuti; grazie a strumenti semplici ma efficaci che consentono di determinare dove i dati vengono archiviati, proteggere le informazioni dei contenuti sia in transito che a riposo e gestire l'accesso ai servizi e alle risorse di AWS per i tuoi utenti.

1. Non condividiamo informazioni sull'addestramento dei clienti e sulle inferenze con venditori di modelli nel Marketplace AWS. Allo stesso modo, gli artefatti del modello del venditore (ad esempio, i pesi dei modelli) non vengono condivisi con l'acquirente.
2. SageMaker JumpStart non utilizza modelli dei clienti, dati di addestramento o algoritmi per migliorare il servizio e non condivide i dati di addestramento e inferenza dei clienti con terze parti.
3. In SageMaker JumpStart, gli artefatti del modello di ML vengono crittografati in transito e a riposo.
4. Nell'ambito del Modello di responsabilità condivisa AWS, AWS si occupa di proteggere l'infrastruttura globale su cui vengono eseguiti tutti i servizi offerti con AWS. Sei responsabile del mantenimento del controllo sui tuoi contenuti ospitati su questa infrastruttura.

Utilizzando un modello del Marketplace AWS o di SageMaker JumpStart, gli utenti si assumono la responsabilità della qualità dell'output del modello e accettano le funzionalità e le limitazioni indicate nella descrizione del singolo modello.

SageMaker JumpStart include oltre 150 modelli disponibili al pubblico preaddestrati da PyTorch Hub e TensorFlow Hub. Per attività visive come classificazioni di immagini e rilevamento di oggetti, è possibile usare modelli come RESNET, MobileNet e Single-Shot Detector (SSD). Per attività testuali come classificazioni di frasi, classificazione di testi e risposte a domande è possibile utilizzare modelli come BERT, RoBERTa e DistilBERT.

Con SageMaker JumpStart, data scientist e sviluppatori di ML possono condividere con facilità gli artefatti di ML, tra cui notebook e modelli, all'interno dell'organizzazione. Gli amministratori possono configurare un repository accessibile da un insieme di utenti prestabilito. Tutti gli utenti muniti di autorizzazioni di accesso al repository possono sfogliare, cercare e utilizzare modelli e notebook, nonché i contenuti pubblici all'interno di SageMaker JumpStart. Gli utenti possono selezionare artefatti per addestrare modelli, implementare endpoint ed eseguire notebook in SageMaker JumpStart.

Utilizzando SageMaker JumpStart, puoi accelerare il time-to-market quando sviluppi applicazioni di ML. Modelli e notebook costruiti da un team all'interno dell'organizzazione possono facilmente essere condivisi con altri team dell'organizzazione con pochi clic. La condivisione delle informazioni interne e il riutilizzo delle risorse può aumentare sensibilmente la produttività dell'organizzazione.

Amazon SageMaker Clarify ora supporta la valutazione dei modelli di fondazione. Puoi valutare, confrontare e selezionare i migliori modelli di fondazione per il tuo caso d'uso specifico. Basta scegliere il modello che desideri valutare per una determinata attività, ad esempio la risposta alle domande o il riepilogo dei contenuti. Quindi seleziona i criteri di valutazione (ad esempio, accuratezza, equità e solidità) e carica il tuo set di dati pronto o scegli tra set di dati integrati e disponibili al pubblico. Per criteri soggettivi e contenuti delicati che richiedono un giudizio umano sofisticato, puoi decidere di sfruttare la tua forza lavoro o utilizzarne una gestita fornita da AWS per valutare le risposte. Una volta terminato il processo di configurazione, SageMaker Clarify esegue le valutazioni e genera un report, in modo da poter comprendere facilmente le prestazioni del modello in base ai criteri chiave. È possibile valutare i modelli di fondazione in SageMaker JumpStart utilizzando la procedura guidata di valutazione o qualsiasi modello di fondazione che non è ospitato su AWS utilizzando la libreria open source.

Sì. Gli amministratori possono controllare quali modelli Amazon SageMaker JumpStart sono visibili e utilizzabili dai propri utenti su più account AWS e principali utenti. Per saperne di più, consulta la documentazione.

Il kit di strumenti di ottimizzazione dell'inferenza semplifica l'implementazione delle più recenti tecniche di ottimizzazione dell'inferenza per ottenere prestazioni in termini di costi (SOTA) all'avanguardia su Amazon SageMaker, risparmiando mesi di tempo per gli sviluppatori. È possibile scegliere da un menu di tecniche di ottimizzazione popolari fornite da SageMaker ed eseguire lavori di ottimizzazione in anticipo, confrontare il modello per le metriche di prestazioni e precisione e quindi distribuire il modello ottimizzato su un endpoint SageMaker per l'inferenza. Il kit di strumenti gestisce tutti gli aspetti dell'ottimizzazione del modello, così puoi concentrarti maggiormente sui tuoi obiettivi aziendali.

Il kit di strumenti di ottimizzazione dell'inferenza ti aiuta a migliorare i costi, le prestazioni e il time to market per le applicazioni di IA generativa. Il kit di strumenti di ottimizzazione dei modelli completamente gestito consente di accedere alle più recenti tecniche di ottimizzazione con strumenti facili da usare. Inoltre, è facile passare alla migliore soluzione disponibile nel tempo, poiché il kit di strumenti si adatta continuamente alle innovazioni all'avanguardia, al nuovo hardware e alle funzionalità di hosting.

Il kit di strumenti per l'ottimizzazione dell'inferenza supporta tecniche di ottimizzazione come la decodifica speculativa, la quantizzazione e la compilazione. Puoi scegliere le ottimizzazioni che desideri aggiungere al tuo modello in pochi clic: Amazon SageMaker gestirà il grosso del lavoro generico relativo all'approvvigionamento dell'hardware, selezionando il container di deep learning e i parametri di ottimizzazione corrispondenti per eseguire i lavori di ottimizzazione e quindi salvando gli artefatti del modello ottimizzato nella posizione S3 fornita da te.

Per la decodifica speculativa, puoi iniziare con il modello di bozza fornito da SageMaker, in modo da non dover creare i tuoi modelli di bozza da zero e richiedere ottimizzazioni di routing e a livello di sistema. Con la quantizzazione, è sufficiente scegliere il tipo di precisione che si desidera utilizzare e avviare un lavoro di benchmarking per misurare le prestazioni rispetto ai compromessi di precisione. Amazon SageMaker genererà un rapporto di valutazione completo in modo da poter analizzare facilmente il compromesso tra prestazioni e precisione. Con Compilation, per i modelli più diffusi e le relative configurazioni, Amazon SageMaker recupererà automaticamente gli artefatti del modello compilato durante la configurazione e il ridimensionamento degli endpoint, eliminando la necessità di eseguire i lavori di compilazione in anticipo, risparmiando sui costi hardware.

Il kit di strumenti di ottimizzazione delle inferenze Amazon SageMaker aiuta a ridurre i costi e i tempi per ottimizzare i modelli GenAI, consentendoti di concentrarti sui tuoi obiettivi aziendali.

SageMaker Canvas è un servizio senza codice con un'interfaccia intuitiva punta e clicca che consente di creare previsioni altamente precise basate sul ML partendo dai dati. SageMaker Canvas consente di accedere ai dati e di combinarli da una varietà di origini tramite un'interfaccia utente a trascinamento e rilascio, con funzioni automatiche di pulizia e preparazione dei dati per ridurre al minimo la necessità di pulizia manuale. SageMaker Canvas applica una varietà di algoritmi di ML all'avanguardia per individuare modelli predittivi altamente accurati e fornisce un'interfaccia intuitiva per effettuare previsioni. Puoi usare SageMaker Canvas per effettuare previsioni molto più precise in varie applicazioni aziendali e collaborare facilmente con i data scientist e gli analisti della tua azienda condividendo i modelli, i dati e i report. Per ulteriori informazioni su SageMaker Canvas, consulta le domande frequenti su Amazon SageMaker Canvas.

Le tariffe di SageMaker Canvas sono addebitate in base all'uso. SageMaker Canvas consente di importare, esplorare e preparare i dati in modo interattivo dai molteplici origini, di addestrare modelli di ML altamente accurati sui dati forniti dall'utente e di generare previsioni. La fattura è determinata da due componenti: le spese di sessione, basate sul numero di ore di utilizzo o accesso a SageMaker Canvas, e i costi di addestramento del modello, sulla base della dimensione del set di dati utilizzato allo scopo. Per ulteriori informazioni, visita la pagina dei prezzi di Amazon SageMaker Canvas.

Pipeline Amazon SageMaker aiuta a creare flussi di lavoro di ML completamente automatizzati, dalla preparazione dei dati fino all'implementazione dei modelli, in modo da poter gestire migliaia di modelli di ML in produzione. È possibile creare pipeline con l'SDK Python di SageMaker e visualizzarle, eseguirle e verificarle dall'interfaccia visiva di SageMaker Studio. Pipeline SageMaker si occupa di gestire i dati tra una fase e l'altra, confezionare le ricette di codice e orchestrare la loro esecuzione, riducendo i mesi di codifica a poche ore. Ogni volta che un flusso di lavoro viene eseguito, viene tenuta una registrazione completa dei dati elaborati e delle azioni intraprese in modo che i data scientist e gli sviluppatori di ML possano eseguire rapidamente il debug dei problemi.

È possibile utilizzare una fase di registrazione del modello nella pipeline SageMaker per consolidare tutti i modelli candidati all'implementazione in un'unica posizione. Successivamente tu o una persona del tuo team potete scoprire, esaminare e approvare questi modelli per l'implementazione nel Registro dei modelli SageMaker tramite l'interfaccia utente di SageMaker Studio o l'SDK Python.

Una pipeline SageMaker è composta da "fasi". Puoi scegliere uno qualsiasi dei tipi di fasi supportati nativamente per comporre un flusso di lavoro che richiami varie funzionalità di SageMaker (ad esempio addestramento, valutazione) o altri servizi AWS (ad es. EMR, Lambda). Puoi anche trasferire il tuo codice di ML Python esistente nella pipeline SageMaker utilizzando il decoratore python "@step" o aggiungendo interi notebook python come componenti della pipeline. Per ulteriori dettagli, consulta la guida per gli sviluppatori di Pipeline SageMaker.

Pipeline SageMaker tiene automaticamente traccia di tutti i componenti del modello e mantiene un audit trail di tutte le modifiche, eliminando così il monitoraggio manuale. Può inoltre aiutare a raggiungere gli obiettivi di conformità. Con Pipeline SageMaker è possibile monitorare dati, codice, modelli addestrati e altro ancora.

Non sono previsti costi aggiuntivi per Pipeline SageMaker. Sono addebitati unicamente i costi base di elaborazione o qualunque servizio extra di AWS utilizzato con Pipeline SageMaker.

Sì. I componenti Amazon SageMaker per pipeline Kubeflow sono plug-in open source che consentono di utilizzare le pipeline Kubeflow per definire i flussi di lavoro ML e utilizzare SageMaker per le fasi di etichettatura, formazione e inferenza dei dati. Pipeline Kubeflow è un componente aggiuntivo di Kubeflow che consente di creare e distribuire pipeline di ML complete, portatili e scalabili. Tuttavia, durante l'uso di pipeline Kubeflow, i team di operazioni di ML devono gestire un cluster Kubernetes con istanze CPU e GPU e mantenerne l'utilizzo elevato in ogni momento per ridurre i costi operativi. Massimizzare l'utilizzo di un cluster tra i team di data science è impegnativo e aggiunge un ulteriore sovraccarico operativo per i team delle attività di ML. In alternativa a un cluster Kubernetes ottimizzato per il ML, con i componenti SageMaker per pipeline Kubeflow è possibile sfruttare le potenti caratteristiche di SageMaker come etichettatura dei dati, regolazione degli iperparametri completamente gestita su vasta scala e processi distribuiti di addestramento, implementazione di modelli sicura e scalabile con un clic e addestramento a costi contenuti con istanze spot di Amazon Elastic Compute Cloud (Amazon EC2), il tutto senza la necessità di configurare e gestire i cluster Kubernetes specificamente per eseguire i processi di ML.

Non sono previsti costi aggiuntivi per l'utilizzo dei componenti di SageMaker per pipeline Kubeflow. 

Human-in-the-loop è il processo che sfrutta l'input umano durante tutto il ciclo di vita del ML per migliorare l'accuratezza e la pertinenza dei modelli. Gli esseri umani possono eseguire una serie di attività, dalla generazione e l'annotazione dei dati, alla revisione e la personalizzazione del modello. L'intervento umano è particolarmente importante per le applicazioni di IA generativa, in cui gli umani sono in genere sia il richiedente che il consumatore del contenuto. È quindi fondamentale che gli umani addestrino i modelli di fondazione (FM) a rispondere in modo accurato, sicuro e pertinente alle richieste degli utenti. Il feedback umano può essere applicato per aiutarti a completare più attività. Innanzitutto, la creazione di set di dati di addestramento etichettati di alta qualità per applicazioni di IA generativa tramite l'apprendimento supervisionato (in cui un essere umano simula lo stile, la lunghezza e la precisione di come un modello dovrebbe rispondere alle richieste dell'utente) e l'apprendimento per rinforzo con feedback umano (in cui un essere umano classifica le risposte del modello). In secondo luogo, utilizza i dati generati dall'uomo per personalizzare i modelli di fondazione su attività specifiche o con dati specifici dell'azienda e del dominio e rendere l'output del modello pertinente per te.

Le funzionalità human-in-the-loop svolgono un ruolo importante nella creazione e nel miglioramento delle applicazioni di IA generativa basate sui modelli di fondazione. Una forza lavoro umana altamente qualificata e addestrata sulle linee guida degli incarichi può fornire feedback, indicazioni, input e valutazioni in attività come la generazione di dati dimostrativi per la formazione dei modelli di fondazione, la correzione e il miglioramento delle risposte dei campioni, la messa a punto di un modello basato su dati aziendali e di settore, la protezione dalla tossicità e dalle distorsioni e altro ancora. Quindi, le funzionalità human-in-the-loop possono migliorare la precisione e le prestazioni del modello. 

Amazon SageMaker Ground Truth offre il set più completo di funzionalità human-in-the-loop. Esistono due modi per utilizzare Amazon SageMaker Ground Truth: un'offerta self-service e una gestita da AWS. Nell'offerta self-service, gli annotatori di dati, i creatori di contenuti e i tecnici di supporto (interni, gestiti dal fornitore o che sfruttano il pubblico) possono utilizzare la nostra interfaccia utente a basso codice per accelerare le attività human-in-the-loop, garantendo al contempo la flessibilità necessaria per creare e gestire i propri flussi di lavoro personalizzati. Nell'offerta gestita da AWS (SageMaker Ground Truth Plus), ci occupiamo del lavoro pesante, che include la selezione e la gestione della forza lavoro giusta per il tuo caso d'uso. SageMaker Ground Truth Plus progetta e personalizza un flusso di lavoro completo (inclusa la formazione dettagliata della forza lavoro e le fasi di garanzia della qualità) e fornisce un team qualificato gestito da AWS, formato su attività specifiche e che soddisfa i requisiti di qualità, sicurezza e conformità dei dati. 

SageMaker Data Wrangler riduce il tempo richiesto per l'aggregazione e la preparazione dei dati per il ML. Da una singola interfaccia in SageMaker Studio, è possibile cercare e importare dati da Amazon S3, Amazon Athena, Amazon Redshift, AWS Lake Formation, Amazon EMR, Snowflake e Databricks in pochi passi. Inoltre, è possibile interrogare e importare dati trasferiti da oltre 50 origini dati e registrati nel Catalogo dati AWS Glue da Amazon AppFlow. SageMaker Data Wrangler carica, aggrega e visualizza automaticamente i dati grezzi. Dopo avere importato i dati in SageMaker Data Wrangler, è possibile visualizzare istogrammi e riepiloghi colonnari generati automaticamente. Per analizzare i dati in maggiore dettaglio e identificare errori potenziali, è possibile utilizzare il report sulla qualità dei dati e relativi approfondimenti di SageMaker Data Wrangler, che fornisce statistiche di riepilogo e segnalazioni relative alla qualità dei dati. Inoltre, è possibile eseguire l'analisi delle distorsioni supportata da SageMaker Clarify direttamente da SageMaker Data Wrangler per rilevare potenziali distorsioni durante la preparazione dei dati. Da qui, è possibile utilizzare le trasformazioni predefinite di SageMaker Data Wrangler per preparare i dati. Una volta che i dati sono pronti, è possibile costruire flussi di lavoro di ML completamente automatizzati con Pipeline Amazon SageMaker o importare i dati nell'archivio delle funzionalità di Amazon SageMaker.

SageMaker Data Wrangler supporta dati tabulari, di serie temporali e di immagini, offrendo oltre 300 trasformazioni di dati preconfigurate per preparare queste diverse modalità di dati. Per i clienti che desiderano preparare dati di testo in Data Wrangler per casi d'uso dell'elaborazione del linguaggio naturale, Data Wrangler supporta la libreria NLTK in modo che i clienti possano preparare i dati di testo creando le proprie trasformazioni personalizzate in Data Wrangler.

SageMaker Data Wrangler offre una selezione di oltre 300 trasformazioni di dati predefinite basate su PySpark in modo da poter trasformare i dati e scalare il flusso di lavoro di preparazione dei dati senza scrivere una sola riga di codice. Inoltre, è possibile trasformare i dati per i modelli di ML utilizzando un'interfaccia in linguaggio naturale basata sui modelli di fondazione o creare un frammento di codice personalizzato dalla libreria di frammenti di SageMaker Data Wrangler.

SageMaker Data Wrangler aiuta a comprendere i dati e a identificare potenziali errori e valori estremi con una serie di solidi modelli di visualizzazione preconfigurati. Gli istogrammi, i grafici di dispersione e le visualizzazioni specifiche per il ML, come il rilevamento di perdita dell'obiettivo, sono tutti disponibili senza scrivere una singola linea di codice. È inoltre possibile creare e modificare le proprie visualizzazioni.

Verranno addebitati i costi di tutte le risorse di calcolo, archiviazione ed elaborazione dati di ML utilizzate per SageMaker Data Wrangler. È possibile rivedere tutti i dettagli dei prezzi di SageMaker Data Wrangler qui. Grazie al Piano gratuito AWS, puoi iniziare a utilizzare SageMaker Data Wrangler gratuitamente.

SageMaker Data Wrangler offre un'esperienza unificata che ti consente di preparare i dati e addestrare senza problemi un modello di machine learning in SageMaker Canvas. SageMaker Canvas crea, addestra e regola automaticamente i migliori modelli di ML in base ai tuoi dati. Inoltre, è possibile utilizzare le funzionalità preparate in SageMaker Data Wrangler nei modelli già esistenti. È possibile configurare l'esecuzione dei processi di elaborazione SageMaker Data Wrangler come parte della pipeline di addestramento di SageMaker in due modi: configurando il processo nell'interfaccia utente (IU) oppure esportando un notebook con il codice di orchestrazione.

È possibile configurare e avviare i processi di elaborazione SageMaker direttamente dall'interfaccia utente di SageMaker Data Wrangler, pianificando il processo di elaborazione dei dati e applicando parametri alle origini dati per trasformare facilmente i nuovi batch di dati su vasta scala.

Dopo avere preparato i dati, SageMaker Data Wrangler fornisce opzioni diverse per promuovere il flusso SageMaker Data Wrangler in produzione e si integra alla perfezione con le capacità MLOps e CI/CD. È possibile configurare e avviare i processi di elaborazione SageMaker direttamente dall'interfaccia utente di SageMaker Data Wrangler, pianificando il processo di elaborazione dei dati e applicando parametri alle origini dati per trasformare facilmente i nuovi batch di dati su vasta scala. In alternativa, SageMaker Data Wrangler si integra in modo ottimale con l'elaborazione di SageMaker e il container SageMaker Spark, consentendo di utilizzare con facilità gli SDK di SageMaker per incorporare SageMaker Data Wrangler nel flusso di lavoro di produzione.

In pochi clic, SageMaker Data Wrangler suddivide un modello XGBoost e lo addestra con gli iperparametri predefiniti. In base al tipo di problema, SageMaker Data Wrangler fornisce un riepilogo del modello, un riepilogo delle funzionalità e una matrice di confusione per fornire rapidamente informazioni dettagliate al fine di applicarle ai flussi di preparazione dei dati.

SageMaker Data Wrangler supporta varie tecniche di campionamento, come top-K, il campionamento casuale e quello stratificato per l'importazione dei dati; in questo modo, è possibile trasformare rapidamente i dati utilizzando l'interfaccia utente di SageMaker Data Wrangler. Se si utilizzano set di dati ampi o variegati, è possibile incrementare le dimensioni dell'istanza SageMaker Data Wrangler per migliorare le prestazioni. Dopo avere creato il flusso, è possibile elaborare l'intero set di dati utilizzando i processi di elaborazione di SageMaker Data Wrangler.

Sì. è possibile configurare l'archivio delle funzionalità di SageMaker come destinazione per le funzionalità preparate in SageMaker Data Wrangler. È possibile farlo direttamente nell'interfaccia utente oppure esportando un notebook generato specificatamente per l'elaborazione dei dati utilizzando SageMaker Feature Store come destinazione.

L'archivio delle funzionalità di SageMaker è una piattaforma dedicata e completamente gestita per archiviare, condividere e gestire funzionalità per i modelli di machine learning (ML). Le funzionalità possono essere scoperte e condivise per un facile riutilizzo tra modelli e team con accesso e controllo sicuri, anche su tutti gli account AWS. L'archivio delle funzionalità di SageMaker supporta funzionalità online e offline per l'inferenza in tempo reale, l'inferenza in batch e l'addestramento. Gestisce inoltre le pipeline di ingegneria delle funzionalità in batch e in streaming per ridurre la duplicazione nella creazione delle funzionalità e migliorare la precisione del modello.

Le funzionalità offline sono in genere grandi volumi di dati storici utilizzati per l'addestramento e l'inferenza in batch. Le funzionalità offline vengono mantenute in un archivio di oggetti ad alta disponibilità e durabilità.

Le funzionalità online sono utilizzate nelle applicazioni per fare previsioni in tempo reale. Le funzionalità online sono fornite da un archivio con elevata velocità di trasmissione effettiva che supporta una latenza a una cifra in millisecondi dalle applicazioni client per previsioni rapide.

L'archivio funzionalità di SageMaker mantiene automaticamente la coerenza tra le funzionalità online e offline senza gestione o codice aggiuntivi, per una coerenza tra gli ambienti di addestramento e inferenza.

L'archivio delle funzionalità di SageMaker mantiene i timestamp per tutte le funzionalità e fornisce metodi integrati che consentono di recuperare le funzionalità in qualsiasi momento, per esigenze aziendali o di conformità. Invece di scrivere query SQL complesse o scrivere una grande quantità di codice, puoi utilizzare i metodi integrati per il viaggio nel tempo e le giunzioni puntuali accurate per generare set di dati per l'addestramento e l'inferenza in batch per il periodo di tempo di interesse

Grazie al Piano gratuito AWS, puoi iniziare a utilizzare l'archivio delle funzionalità di SageMaker gratuitamente. Con SageMaker Feature Store, si paga per la scrittura nel feature store, e per la lettura e l'archiviazione dal feature store online. Per i dettagli sui prezzi, consulta la pagina dei prezzi di Amazon SageMaker.

SageMaker fornisce due offerte di etichettatura dei dati, Amazon SageMaker Ground Truth Plus e Amazon SageMaker Ground Truth. Entrambe le opzioni consentono di identificare i dati non elaborati, come immagini, file di testo e video, e aggiungere etichette informative per creare set di dati di addestramento di alta qualità per i propri modelli di ML. Per ulteriori informazioni, consulta Etichettatura dei dati di Amazon SageMaker.

I dati geospaziali rappresentano oggetti o caratteristiche sulla superficie terrestre. Il primo tipo di dati geospaziali è costituito dai dati vettoriali che impiegano elementi geometrici bidimensionali come punti, linee o poligoni per rappresentare oggetti come strade e confini terrestri. Il secondo tipo di dati geospaziali sono i dati raster, come le immagini acquisite da satelliti o piattaforme aeree o i dati di rilevamento da remoto. Questo tipo di dati impiega una matrice di pixel per definire la posizione delle caratteristiche. I formati raster possono essere utilizzati per archiviare i dati variabili. Un terzo tipo di dati geospaziali sono i dati di posizione geo-taggati. Comprendono punti di interesse, come ad esempio la Torre Eiffel, post dei social media con tag della posizione, coordinate di latitudine e longitudine o indirizzi stradali con stili e formati differenti.

Le capacità geospaziali di SageMaker facilitano la costruzione, l'addestramento e l'implementazione dei modelli di machine learning (ML) per effettuare previsioni utilizzando i dati geospaziali da parte di data scientist e ingegneri di ML. È possibile utilizzare i propri dati, ad esempio i dati satellitari di Planet Labs da Amazon S3, oppure importare i dati da Dati aperti su AWS, Servizio di posizione Amazon e altre origini dei dati geospaziali di SageMaker.

Puoi utilizzare le capacità geospaziali di SageMaker per effettuare previsioni sui dati geospaziali più rapidamente che con le soluzioni fai da te. Le capacità geospaziali di SageMaker consentono di accedere facilmente ai dati geospaziali dai data lake dei clienti esistenti, da set di dati open source e da altre origini dei dati geospaziali di SageMaker. Le capacità geospaziali di SageMaker riducono al minimo la necessità di costruire un'infrastruttura personalizzata e di eseguire funzioni di pre-elaborazione grazie ad algoritmi realizzati ad hoc per una preparazione dei dati, l'addestramento del modello e l'inferenza efficienti. Inoltre, da SageMaker Studio è possibile creare e condividere visualizzazioni personalizzati e dati all'interno dell'organizzazione. Le capacità geospaziali di SageMaker includono modelli pre-addestrati per impieghi comuni nei settori agricolo, immobiliare, assicurativo e dei servizi finanziari.

È possibile utilizzare notebook Jupyter completamente gestiti in SageMaker per lo sviluppo completo di ML. Aumenta o riduci le istanze di calcolo con la selezione di istanze ottimizzate per il calcolo e accelerate dalla GPU nel cloud.

I notebook SageMaker Studio sono notebook Jupyter che possono essere ruotati rapidamente con un semplice clic. Le risorse di calcolo sottostanti sono completamente elastiche, in modo da calibrare le risorse disponibili, e le modifiche vengono attuate in modo automatico in background senza interrompere il lavoro. SageMaker permette anche la condivisione di notebook con un clic. Puoi condividere facilmente i notebook con altri utenti, i quali avranno a disposizione lo stesso identico notebook salvato nella medesima posizione.

Con i notebook SageMaker Studio è possibile accedere con le credenziali aziendali tramite il Centro identità IAM. La condivisione dei notebook all'interno e all'esterno dei team è semplice, poiché le dipendenze necessarie per far funzionare un notebook vengono automaticamente monitorate in immagini di lavoro condensate all'interno del notebook durante la sua condivisione.

I notebook negli IDE SageMaker Studio offrono alcune importanti funzionalità che li differenziano dai notebook basati sull'istanza. Innanzitutto, è possibile avviare rapidamente notebook senza dover effettuare manualmente il provisioning di un'istanza e aspettare che sia operativa. Il tempo dello startup dell'avvio dell'interfaccia utente per leggere ed eseguire un notebook è più rapido rispetto ai notebook basati sulle istanze. Hai anche la flessibilità di scegliere tra una vasta raccolta di tipi di istanze all'interno dell'interfaccia utente in qualsiasi momento. Non è necessario andare alla console AWS Management per avviare nuove istanze e trasferirle sui tuoi notebook. Ciascun utente avrà una home directory isolata e indipendente da una determinata istanza. Questa directory viene automaticamente montata su tutti i server e kernel dei notebook all'avvio, in modo da poter accedere ai notebook e ad altri file anche quando si cambia istanza per visualizzarli ed eseguirli. Grazie all'integrazione con il Centro identità AWS IAM (che ha sostituito AWS SSO), l'uso delle credenziali della propria organizzazione per accedere ai notebook SageMaker Studio risulta notevolmente semplificato. Inoltre, sono integrati con strumenti di ML dedicati in SageMaker e altri servizi AWS per lo sviluppo completo del ML, dalla preparazione di dati in scala di petabyte utilizzando Spark su Amazon EMR, passando per i modelli di addestramento e di debug, all'implementazione e al monitoraggio dei modelli e alla gestione delle pipeline.

I notebook SageMaker negli IDE di Studio consentono di accedere a tutte le funzionalità di SageMaker, come l'addestramento distribuito, la trasformazione in batch e l'hosting. Inoltre, dai notebook SageMaker è possibile accedere ad altri servizi come set di dati in Amazon S3, Amazon Redshift, AWS Glue, Amazon EMR o AWS Lake Formation.

I professionisti del machine learning possono creare uno spazio di lavoro condiviso all'interno dei quali i membri del team possono leggere e modificare in maniera collaborativa i notebook SageMaker Studio. Utilizzando gli spazi condivisi, i colleghi possono modificare a più mani lo stesso file del notebook, eseguire simultaneamente il codice del notebook e rivedere insieme i risultati, eliminando le sequenze di passaggi e ottimizzando la collaborazione. Negli spazi condivisi, i team del ML dispongono di un supporto incorporato per servizi come BitBucket e AWS CodeCommit, potendo così gestire con facilità versioni differenti dei propri notebook e confrontare le modifiche nel corso del tempo. Le risorse create all'interno dei notebook, come esperimenti e modelli di ML, vengono automaticamente salvati e associati allo specifico spazio di lavoro in cui sono stati creati affinché i team possano coordinarsi e organizzarsi con maggiore facilità e accelerare lo sviluppo dei modelli di ML.

Saranno addebitati sia i costi per il calcolo che per l'archiviazione durante l'utilizzo di notebook SageMaker negli IDE Studio. Consulta i prezzi di Amazon SageMaker per conoscere i costi in base al tipo di istanza di calcolo. I notebook e gli artefatti associati di tua appartenenza come file di dati e script vengono conservati in Amazon Elastic File System (Amazon EFS). Consulta i prezzi di Amazon EFS per conoscere i costi di archiviazione. Nell'ambito del Piano gratuito AWS, è possibile iniziare a utilizzare i notebook in SageMaker Studio gratuitamente.

No. È possibile creare ed eseguire più notebook sulla stessa istanza di calcolo. Paghi solamente in base al calcolo che utilizzi e non per i singoli elementi. Ulteriori informazioni a riguardo sono disponibili nella nostra guida alla tariffazione.

Oltre ai notebook, è inoltre possibile avviare ed eseguire terminali e shell (interpreti di comandi) interattive in SageMaker Studio, tutti sulla stessa istanza di calcolo. Ogni applicazione viene eseguita all'interno di un container o di un'immagine. SageMaker Studio offre diverse immagini incorporate appositamente create e preconfigurate per data science e ML.

Puoi monitorare e arrestare le risorse utilizzate dai tuoi notebook SageMaker Studio tramite l'interfaccia visiva di SageMaker Studio e la Console di gestione AWS. Consulta la documentazione per ulteriori dettagli.

Sì, continueranno a essere addebitati i costi di calcolo. È una situazione simile all'avvio delle istanze Amazon EC2 nella console di gestione AWS e quindi alla chiusura del browser. Le istanze Amazon EC2 sono ancora in esecuzione e vengono comunque addebitati costi a meno che non si arresti esplicitamente l'istanza.

No, non viene addebitato alcun costo per la creazione o la configurazione di un dominio SageMaker Studio, inclusi l'aggiunta, l'aggiornamento e l'eliminazione dei profili utente.

L'amministratore può visualizzare l'elenco degli addebiti dettagliati per SageMaker, incluso SageMaker Studio, nella Console AWS per la fatturazione. Dalla Console di gestione AWS per SageMaker, scegli Servizi nel menu in alto, digita "fatturazione" nella casella di ricerca e seleziona Fatturazione dal menu a discesa, quindi seleziona Fatture nel pannello di sinistra. Nella sezione Dettagli, seleziona SageMaker per espandere l'elenco delle regioni e fai clic ripetutamente fino a visualizzare gli addebiti in dettaglio.

SageMaker Studio Lab è un ambiente di sviluppo gratuito per il ML, che fornisce calcolo, archiviazione (fino a 15 GB) e sicurezza, il tutto a costo zero, per chiunque voglia imparare e sperimentare con il ML. Tutto ciò di cui hai bisogno per iniziare è un ID email valido: non c'è bisogno di configurare l'infrastruttura o di gestire l'identità e l'accesso e nemmeno di registrarti per un account AWS. SageMaker Studio Lab accelera la costruzione di modelli attraverso l'integrazione con GitHub, e viene preconfigurato con i più popolari strumenti di ML, framework e librerie per iniziare immediatamente. SageMaker Studio Lab salva automaticamente il lavoro in modo da non dover riavviare tra una sessione e l'altra. Facile come chiudere il portatile e riaprirlo più tardi.

SageMaker Studio Lab è pensato per gli studenti, i ricercatori e i data scientist che hanno bisogno di un ambiente di sviluppo senza alcuna attrezzatura richiesta per i loro corsi ed esperimenti di ML. SageMaker Studio Lab è ideale per gli utenti che non necessitano di un ambiente di produzione, ma vogliono comunque un sottoinsieme delle funzionalità di SageMaker per migliorare le proprie capacità di ML. Le sessioni di SageMaker vengono salvate automaticamente, permettendo agli utenti di riprendere da dove si erano interrotti per ciascuna sessione utente.

SageMaker Studio Lab è un servizio costruito su AWS che usa molti degli stessi servizi fondamentali di Amazon SageMaker Studio come Amazon S3 e Amazon EC2. A differenza degli altri servizi, i clienti non avranno bisogno di un account AWS. Creeranno invece un account specifico per SageMaker Studio Lab con un indirizzo e-mail. Questo darà all'utente l'accesso a un ambiente limitato (15 GB di archiviazione e 12 ore di sessione) per eseguire i notebook di ML.

SageMaker Canvas ti consente di scoprire senza problemi le origini dati AWS a cui il tuo account ha accesso, compresi Amazon S3 e Amazon Redshift. È possibile sfogliare e importare i dati usando l'interfaccia visiva e a trascinamento e rilascio di SageMaker Canvas. Inoltre, è possibile trascinare e rilasciare i file dal disco locale e utilizzare i connettori predefiniti per importare dati da origini di terze parti come Snowflake.

Una volta collegate le origini, selezionato un set di dati e preparati i dati, è possibile selezionare la colonna di destinazione che si vuole prevedere per iniziare un processo di creazione del modello. SageMaker Canvas identificherà automaticamente il tipo di problema, genererà nuove funzionalità rilevanti, testerà un set completo di modelli di previsione utilizzando tecniche di ML quali regressione lineare, regressione logistica, deep learning, previsione di serie temporali e gradient boosting, e costruirà un modello che effettua previsioni precise sulla base del set di dati.

SageMaker HyperPod è stato progettato appositamente per accelerare l'addestramento del modello di fondazione (FM). Fornisce un'infrastruttura più resiliente ottimizzata per l'addestramento distribuito su larga scala, che consente di allenarti su migliaia di acceleratori più velocemente. Rileva, diagnostica e ripristina automaticamente i guasti, in modo da poter addestrare i modelli di fondazione per mesi senza interruzioni. SageMaker HyperPod è preconfigurato con le librerie di addestramento distribuite di SageMaker per aiutarti a migliorare in modo efficiente le prestazioni distribuendo i dati di addestramento del modello in blocchi più piccoli, in modo che possano essere elaborati in parallelo tra gli acceleratori.

Se hai bisogno di carichi di lavoro di addestramento più lunghi e più grandi che richiedono un numero elevato di istanze di calcolo come GPU o acceleratori AWS, puoi utilizzare SageMaker HyperPod per un'esperienza più resiliente e ridurre i tempi di addestramento.

Sì. SageMaker è in grado di distribuire automaticamente modelli di deep learning e grandi set di addestramento fra istanze AWS GPU in una frazione del tempo necessario per costruire e ottimizzare queste strategie di distribuzione manualmente. Le due tecniche di addestramento distribuite che SageMaker applica sono il parallelismo dei dati e il parallelismo dei modelli. Il parallelismo dei dati viene applicato per migliorare la velocità di addestramento dividendo i dati equamente fra più istanze della GPU, permettendo a ciascuna istanza di addestrarsi contemporaneamente. Il parallelismo del modello è utile per i modelli troppo grandi per essere memorizzati su una singola GPU e richiedono che il modello sia partizionato in parti più piccole prima di essere distribuito su più GPU. Con solo poche righe di codice aggiuntivo nei tuoi script di addestramento PyTorch e TensorFlow, SageMaker applicherà automaticamente il parallelismo dei dati o il parallelismo dei modelli, consentendoti di sviluppare e distribuire i tuoi modelli più velocemente. SageMaker determinerà il miglior approccio per dividere il modello usando algoritmi di partizionamento dei grafici per bilanciare il calcolo di ciascuna GPU e minimizzando la comunicazione tra istanze GPU. Inoltre, SageMaker ottimizza i processi di addestramento distribuiti tramite algoritmi che sfruttano appieno le capacità di calcolo e la rete di AWS per raggiungere un'efficienza di scalabilità quasi lineare. In questo modo, è possibile completare l'addestramento più velocemente rispetto alle implementazioni open source manuali.

Esperimenti SageMaker ti aiuta a organizzare e controllare le iterazioni sui modelli di ML. Esperimenti SageMaker ti aiuta a gestire le iterazioni con l'acquisizione automatica di parametri di input, configurazioni e risultati salvandoli come "esperimenti". Puoi creare un esperimento Amazon SageMaker per monitorare i flussi di lavoro di ML con poche righe di codice dal tuo ambiente di sviluppo preferito. È inoltre possibile integrare Esperimenti SageMaker nello script di addestramento di SageMaker utilizzando l'SDK Python di SageMaker.

Debugger SageMaker acquisisce automaticamente metriche in tempo reale durante l'addestramento, come matrici di confusione e gradienti di apprendimento, per contribuire a migliorare la precisione del modello. I parametri di SageMaker Debugger possono essere visualizzati in SageMaker Studio per una facile comprensione. SageMaker Debugger può anche generare avvisi di allarme e correzione quando vengono rilevati comuni problemi di addestramento. SageMaker Debugger inoltre monitora e profila automaticamente le risorse di sistema come CPU, GPU, rete e memoria in tempo reale, e fornisce consigli sulla loro riassegnazione. Ciò ti consente di utilizzare le risorse in modo efficiente durante l'addestramento e aiuta a ridurre i costi e le risorse.

Managed Spot Training con SageMaker ti consente di addestrare i modelli di ML utilizzando le istanze Spot di Amazon EC2, riducendo al contempo il costo della formazione fino al 90%.

Puoi abilitare l'opzione Managed Spot Training durante l'invio dei tuoi processi di addestramento e specificare quanto a lungo desideri attendere per la capacità Spot. SageMaker utilizzerà quindi le istanze Spot di Amazon EC2 per eseguire i processi e gestisce la capacità Spot. Avrai completa visibilità sullo stato del processo di formazione, sia quando è in esecuzione sia quando è in attesa di capacità disponibile.

Managed Spot Training è ideale quando hai la flessibilità di scegliere il momento in cui eseguire i processi di addestramento e per ridurre al minimo il loro costo. Con Managed Spot Training puoi ridurre il costo dell'addestramento dei modelli di ML fino al 90%.

Managed Spot Training utilizza le istanze Spot di Amazon EC2 per l'addestramento. Queste istanze possono essere annullate nel caso in cui sia necessaria capacità per AWS. Come risultato, i processi di Managed Spot Training possono essere eseguiti in piccoli incrementi non appena la capacità diventa disponibile. I processi di addestramento non devono essere riavviati da zero in caso di interruzione, in quanto SageMaker può ripristinarli utilizzando l'ultimo checkpoint del modello. I framework e gli algoritmi di visione computerizzata integrati in SageMaker consentono di creare checkpoint periodici da poter abilitare con i modelli personalizzati.

Consigliamo di creare checkpoint periodici come procedura consigliata generale per i processi di addestramento con esecuzione prolungata. In questo modo è possibile evitare il riavvio dei processi di Managed Spot Training in caso di annullamento della capacità. Abilitando i checkpoint, SageMaker ripristina i processi di Managed Spot Training dall'ultimo checkpoint.

Quando completi un processo di Managed Spot Training, puoi visualizzare il risparmio nella Console di gestione AWS e calcolare il risparmio sui costi anche come differenza percentuale tra la durata di esecuzione del processo di formazione e la durata per la quale hai ricevuto la fattura. Indipendentemente dal numero di interruzioni dei processi di Managed Spot Training, i costi ti verranno addebitati solo una volta per la durata per cui i dati erano stati scaricati.

La funzione Managed Spot Training può essere utilizzata con tutte le istanze supportate in SageMaker.

Managed Spot Training è supportato in tutte le regioni nelle quali SageMaker è attualmente disponibile.

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

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. SageMaker fornisce inoltre container ottimizzati Apache MXNet, Tensorflow, Chainer, PyTorch, Gluon, Keras, Horovod, Scikit-learn e Deep Graph Library. Infine, SageMaker supporta gli algoritmi di addestramento personalizzati tramite immagini Docker conformi alle specifiche documentate.

La maggior parte degli algoritmi di ML 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.

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

No, al momento no. SageMaker fornisce il massimo livello di esperienza e prestazioni di regolazione dei modelli.

Al momento, l'algoritmo per la regolazione degli iperparametri è un'implementazione personalizzata dell'ottimizzazione bayesiana. Il suo scopo è ottimizzare una metrica obiettivo specificata dal cliente lungo l'intero processo di regolazione. In particolare, verifica le metriche dell'oggetto per i processi di addestramento completati e utilizza i dati ottenuti per dedurre la combinazione di iperparametri per il processo di addestramento successivo.

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 regolato. Per gli algoritmi in SageMaker, è già stabilito quali iperparametri possono essere ottimizzati.

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.

No, al momento no. Al momento 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.

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 regolazione degli iperparametri in base ai prezzi di regolazione dei modelli.

Pilota automatico SageMaker automatizza tutto in un tipico flusso di lavoro di ML, tra cui la preelaborazione delle funzioni, la selezione dell'algoritmo e l'ottimizzazione dell'iperparametro, concentrandosi in particolare sui casi d'uso di classificazione e regressione. L'ottimizzazione automatica dei modelli, d'altra parte, è progettata per ottimizzare qualsiasi modello, indipendentemente dal fatto che si basi su algoritmi integrati, framework di deep learning o container personalizzati. Per ottenere flessibilità, è necessario selezionare manualmente l'algoritmo specifico, gli iperparametri da ottimizzare e gli intervalli di ricerca corrispondenti.

Il consolidamento dell'apprendimento è una tecnica di ML che consente a un agente di imparare in un ambiente interattivo tramite prove ed errori utilizzando feedback dalle proprie azioni ed esperienze.

Sì, è possibile formare i modelli di consolidamento dell'apprendimento in SageMaker oltre ai tradizionali modelli di apprendimento supervisionato e non supervisionato.

Sebbene sia l'apprendimento supervisionato che il consolidamento dell'apprendimento utilizzino la mappatura tra input e output, nell'apprendimento supervisionato il feedback fornito all'agente è un insieme di azioni corretto per eseguire un'attività, mentre il consolidamento dell'apprendimento utilizza un feedback ritardato dove i segnali di ricompensa sono ottimizzati per assicurare un obiettivo a lungo termine tramite una sequenza di azioni.

Mentre l'obiettivo delle tecniche di apprendimento supervisionato è di trovare la risposta esatta in base ai modelli nei dati di training, l'obiettivo delle tecniche di apprendimento non supervisionato è di trovare similitudini e differenze tra i punti di dati. Al contrario, l'obiettivo delle tecniche di apprendimento per rinforzo (RL, reinforcement learning) è di imparare come ottenere un risultato desiderato anche quando non è chiaro come raggiungere tale risultato. Di conseguenza, RL è più adatto per abilitare le applicazioni intelligenti dove un agente può prendere decisioni autonome come nella robotica, veicoli con pilota automatico, HVAC, controllo industriale e altro.

Amazon SageMaker RL supporta un numero di ambienti diversi per la formazione di modelli di RL. È possibile utilizzare i servizi AWS come AWS RoboMaker, gli ambienti open source o personalizzati sviluppato utilizzando le interfacce Open AI Gym o gli ambienti di simulazione commerciale come MATLAB e SimuLink.

No, SageMaker RL include i kit di strumenti RL come Coach e Ray RLLib che offrono implementazioni o algoritmi di agente RL come DQN, PPO, A3C e molti altri.

Sì, è possibile portare le librerie RL e le implementazione di algoritmi in container Docker ed eseguirle in SageMaker RL.

Sì. È anche possibile selezionare un cluster eterogeneo in cui la formazione può essere eseguita su un'istanza GPU e le simulazioni possono essere eseguite su più istanze CPU.

Una volta creati e formati dei modelli, SageMaker fornisce tre opzioni per implementarli, permettendoti di iniziare a fare previsioni. L'inferenza in tempo reale è adeguata per carichi di lavoro con requisiti di latenza di millisecondi, dimensioni di payload fino a 6MB e tempi di elaborazione fino a 60 secondi. La trasformazione in batch è ideale per previsioni offline su grandi batch di dati disponibili in anticipo. L'inferenza asincrona è progettata per carichi di lavoro che non richiedono latenza inferiore al secondo, dimensioni di payload fino a 1 GB e tempi di elaborazione fino a 15 minuti.

SageMaker Asynchronous Inference mette in coda le richieste in entrata, elaborandole in maniera asincrona. Questa opzione è ideale per richieste con payload di grandi dimensioni e tempi di elaborazione lunghi che richiedono l'elaborazione al loro arrivo. Facoltativamente, quando non stai elaborando attivamente delle richieste, puoi configurare la scalabilità automatica per ridurre a zero il conto delle istanze e risparmiare sui costi.

È possibile ridurre a zero il conto delle istanze di endpoint di SageMaker Asynchronous Inference per risparmiare sui costi quando non stai elaborando le richieste attivamente. È necessario definire una policy di dimensionamento che dimensioni sul parametro personalizzato "ApproximateBacklogPerInstance" e imposti il valore "MinCapacity" su zero. Per istruzioni dettagliate, visita la sezione Dimensionamento automatico di un endpoint asincrono nella guida per gli sviluppatori. 

Inferenza serverless SageMaker è un'opzione di servizio di modelli serverless dedicata che semplifica l'implementazione e la scalabilità dei modelli di ML. Gli endpoint di Inferenza serverless SageMaker avviano automaticamente le risorse di calcolo e le dimensionano dentro e fuori a seconda del traffico, eliminando la necessità di scegliere il tipo di istanza, eseguire capacità in provisioning o gestire il dimensionamento. Puoi opzionalmente specificare i requisiti di memoria per il tuo endpoint di inferenza serverless. Paghi solo per la durata dell'esecuzione del codice di inferenza e la quantità di dati elaborati, non per i periodi di inattività.

Inferenza serverless SageMaker semplifica l'esperienza dello sviluppatore eliminando la necessità di effettuare il provisioning di capacità in anticipo e gestire le policy di dimensionamento. Inferenza serverless SageMaker può dimensionare istantaneamente da decine a migliaia di inferenze in pochi secondi in base ai modelli di utilizzo, rendendolo ideale per applicazioni ML con traffico intermittente o imprevedibile. Per esempio, un servizio di chatbot utilizzato da un'azienda di elaborazione di buste paga sperimenta un aumento delle richieste alla fine del mese, mentre per il resto del mese il traffico è intermittente. Effettuare il provisioning delle istanze per l'intero mese in questi scenari non è conveniente perché si finisce per pagare per i periodi di inattività. SageMaker Serverless Inference aiuta ad affrontare questi tipi di casi d'uso fornendo un dimensionamento automatico e veloce pronto all’uso senza la necessità di prevedere il traffico in anticipo o gestire le policy di dimensionamento. Inoltre, viene addebitato soltanto il tempo di calcolo richiesto per eseguire il codice dell'inferenza (fatturato in millisecondi) e per l'elaborazione dei dati, rendendolo un'opzione conveniente per i carichi di lavoro con traffico intermittente.

Provisioned Concurrency consente di implementare modelli su endpoint serverless con prestazioni prevedibili e scalabilità elevata, mantenendo gli endpoint pronti per un numero specificato di richieste simultanee.

Con gli endpoint serverless on demand, se l'endpoint non riceve traffico per un po' di tempo e poi riceve improvvisamente nuove richieste, l'endpoint può impiegare del tempo per attivare le risorse di calcolo per elaborare le richieste. Questo si chiama avvio a freddo. Un avvio a freddo può verificarsi anche se le richieste simultanee superano l'utilizzo corrente delle richieste simultanee. Il tempo di avvio a freddo dipende dalle dimensioni del modello, dal tempo necessario per scaricare il modello e dal tempo di avvio del container.

Per ridurre la variabilità del profilo di latenza, puoi facoltativamente abilitare la concorrenza assegnata per i tuoi endpoint serverless. Grazie alla concorrenza assegnata, i tuoi endpoint serverless sono sempre pronti e possono gestire istantaneamente picchi di traffico, senza avvii a freddo.

Come per Inferenza serverless on demand, quando la funzionalità di concorrenza assegnata è abilitata, si paga in base alla capacità di calcolo utilizzata per elaborare le richieste di inferenza, fatturata al millisecondo, e alla quantità di dati elaborati. Paghi anche per l'utilizzo di concorrenza assegnata, in base alla memoria configurata, alla durata fornita e alla quantità di concorrenza abilitata. Per ulteriori informazioni, visita la pagina dei prezzi di Amazon SageMaker.

SageMaker facilita l'esecuzione di shadow test per valutare un nuovo modello di ML prima del rilascio in produzione verificandone le prestazioni rispetto al modello attualmente implementato. SageMaker implementa il nuovo modello in modalità shadow accanto al modello di produzione corrente, eseguendo il mirroring di una porzione specificata dall'utente del traffico di produzione al nuovo modello. Se lo si desidera, registra le inferenze del modello per un confronto offline. Inoltre, fornisce un dashboard in tempo reale con un confronto delle metriche di prestazione chiave, come latenza e tasso di errore, tra i modelli di produzione e shadow, per rendere più facile decidere se passare il nuovo modello in produzione.

SageMaker semplifica il processo di configurazione e monitoraggio delle varianti shadow per valutare le prestazioni del nuovo modello di ML sul traffico di produzione dal vivo. SageMaker elimina la necessità di orchestrare l'infrastruttura per lo shadow testing. Consente di controllare i parametri di test, come ad esempio la percentuale di traffico in mirroring sulla variante shadow e la durata del test. Di conseguenza, è possibile partire su scala ridotta e incrementare le richieste di inferenza del nuovo modello dopo averne verificato le prestazioni. SageMaker crea un dashboard in tempo reale che visualizza le differenze di prestazione rispetto ad alcune metriche chiave, consentendo di confrontare con facilità le prestazioni dei modelli per valutare la differenza fra il nuovo modello e quello in produzione.

L'inferenza con funzione di suggerimento SageMaker riduce il tempo necessario per mettere in produzione i modelli di ML automatizzando il benchmarking delle prestazioni e regolando le prestazioni del modello attraverso le istanze ML di SageMaker. Ora è possibile usare l'inferenza con funzione di suggerimento SageMaker per implementare il proprio modello in un endpoint che offre le migliori prestazioni e riduce al minimo i costi. Puoi iniziare con SageMaker Inference Recommender in pochi minuti selezionando un tipo di istanza e ottenere raccomandazioni per configurazioni ottimali di endpoint in poche ore, eliminando settimane di test manuali e i tempi di messa a punto. Con SageMaker Inference Recommender, paghi solo per le istanze di SageMaker ML utilizzate durante il test di carico, e non ci sono costi aggiuntivi.

Dovresti usare SageMaker Inference Recommender se hai bisogno di raccomandazioni per la giusta configurazione degli endpoint per migliorare le prestazioni e ridurre i costi. In precedenza, i data scientist che volevano implementare i loro modelli dovevano eseguire dei benchmark manuali per selezionare la giusta configurazione degli endpoint. Dovevano prima selezionare il giusto tipo di istanza ML tra gli oltre 70 tipi di istanze disponibili in base ai requisiti di risorse dei loro modelli e dei payload di prova, e quindi ottimizzare il modello per tenere conto dei diversi hardware. Poi, dovevano condurre minuziosi test di carico per accertarsi che i requisiti di latenza e di velocità effettiva venissero soddisfatti e che i costi fossero bassi. SageMaker Inference Recommender elimina questa complessità semplificando le seguenti azioni: 1) iniziare in pochi minuti con un suggerimento di istanza; 2) condurre test di carico su vari tipi di istanza per ottenere suggerimenti sulla configurazione del proprio endpoint in poche ore; e 3) mettere automaticamente a punto i parametri dei container e dei model server, nonché eseguire ottimizzazioni dei modelli per un dato tipo di istanza.

I data scientist possono accedere a SageMaker Inference Recommender da SageMaker Studio, AWS SDK per Python (Boto3) o dalla AWS CLI. Possono ottenere suggerimenti per l’implementazione all'interno di SageMaker Studio nel registro del modello di SageMaker per le versioni registrate del modello. I data scientist possono cercare e filtrare i suggerimenti attraverso SageMaker Studio, AWS SDK o la AWS CLI.

No, attualmente supportiamo un solo modello per endpoint.

Attualmente supportiamo solo endpoint in tempo reale.

Supportiamo tutte le regioni supportate da Amazon SageMaker, eccetto le regioni AWS Cina.

Sì, supportiamo tutti i tipi di container. Amazon EC2 Inf1, basata sul chip AWS Inferentia, richiede un artefatto di modello compilato utilizzando il compilatore Neuron o Amazon SageMaker Neo. Una volta che disponi di un modello compilato per un target Inferentia e l'URI dell'immagine del container associato, puoi usare l'inferenza con funzione di suggerimento SageMaker per valutare diversi tipi di istanze Inferentia.

SageMaker Model Monitor consente agli sviluppatori di rilevare e correggere il concept drift. SageMaker Model Monitor rileva automaticamente la deviazione di concept nei modelli implementati e fornisce avvisi dettagliati che aiutano a identificare la causa del problema. Tutti i modelli addestrati 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 da raccogliere, le modalità di visualizzazione e quando ricevere gli avvisi.

No. SageMaker gestisce automaticamente l'infrastruttura di elaborazione, consentendo l'esecuzione di controlli dell'integrità, 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.

L'hosting di 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.

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

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 SageMaker.

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.

In quanto servizio completamente gestito, Amazon SageMaker si occupa della configurazione e della gestione delle istanze, delle compatibilità delle versioni software e delle versioni di patch. Fornisce inoltre metriche e registri integrati per gli endpoint che puoi utilizzare per monitorare e ricevere avvisi. Con gli strumenti e i flussi di lavoro guidati di SageMaker, l'intero processo di creazione e implementazione del modello di ML è semplificato, facilitando l'ottimizzazione degli endpoint per ottenere le prestazioni desiderate e risparmiare sui costi. È possibile implementare facilmente i modelli di ML, compresi i modelli di fondazione, con pochi clic all'interno di SageMaker Studio o utilizzando il nuovo PySDK.

La trasformazione in batch abilita ad 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.

SageMaker supporta le seguenti opzioni di endpoint: endpoint a modello singolo, un modello su un container ospitato su istanze dedicate o serverless per bassa latenza e velocità di trasmissione effettiva elevata. Endpoint multi-modello: ospita più modelli utilizzando un'infrastruttura condivisa per ridurre i costi e massimizzare l'utilizzo. Puoi controllare la quantità di elaborazione e memoria che ogni modello può utilizzare per assicurarti che ogni modello abbia accesso alle risorse necessarie per funzionare in modo efficiente. Pipeline di inferenza seriale: più container che condividono istanze dedicate e vengono eseguiti in sequenza. È possibile utilizzare una pipeline di inferenza per combinare attività di data science di pre-elaborazione, previsione e post-elaborazione.

È possibile utilizzare policy di dimensionamento per dimensionare automaticamente le risorse di calcolo sottostanti per adattarsi alle fluttuazioni delle richieste di inferenza. Puoi controllare le policy di dimensionamento per ogni modello di ML separatamente per gestire facilmente le modifiche nell'utilizzo del modello, ottimizzando al contempo i costi dell'infrastruttura.

Il Gestore di bordo SageMaker semplifica l'ottimizzazione, la sicurezza, il monitoraggio e la manutenzione di modelli di ML su flotte di dispositivi edge come telecamere intelligenti, robot, personal computer e dispositivi mobili. Il Gestore di bordo SageMaker aiuta gli sviluppatori di ML a utilizzare i modelli di ML su una varietà di dispositivi edge su larga scala.

Per iniziare con SageMaker Edge Manager, è necessario compilare e confezionare i modelli addestrati di ML nel cloud, registrare i dispositivi e prepararli con l'SDK di SageMaker Edge Manager. Per preparare il modello per l’implementazione, SageMaker Edge Manager utilizza SageMaker Neo per compilare il modello per l'hardware edge di destinazione. Una volta compilato un modello, SageMaker Edge Manager firma il modello con una chiave generata da AWS, quindi confeziona il modello con il proprio runtime e le credenziali necessarie per prepararlo all’implementazione. Dal lato del dispositivo, si registra il dispositivo con SageMaker Edge Manager, si scarica l'SDK di SageMaker Edge Manager e si seguono le istruzioni per installare l'agente SageMaker Edge Manager sui propri dispositivi. Il notebook del tutorial fornisce un esempio passo per passo di come è possibile preparare i modelli e collegarli con SageMaker Edge Manager su dispositivi edge.

Gestore di bordo SageMaker supporta i comuni dispositivi basati su CPU (ARM, x86) e GPU (ARM, Nvidia) con sistemi operativi Linux e Windows. Nel corso del tempo, Gestore di bordo SageMaker si espanderà per supportare più processori incorporati e piattaforme mobili che sono supportati anche da SageMaker Neo.

No. È possibile addestrare i propri modelli altrove o utilizzare un modello preaddestrato open source o un modello del tuo fornitore.

Sì. Amazon SageMaker Neo converte e compila i propri modelli in un eseguibile che è poi possibile confezionare e implementare sui tuoi dispositivi edge. Una volta che il pacchetto del modello è implementato, l'agente di Gestore di bordo SageMaker decomprimerà il pacchetto ed eseguirà il modello sul dispositivo.

Gestore di bordo SageMaker archivia il pacchetto del modello nel proprio specifico bucket di Amazon S3. È possibile utilizzare la funzione di implementazione via etere (OTA) fornita da AWS IoT Greengrass o qualsiasi altro meccanismo di distribuzione a scelta per distribuire il pacchetto del modello dal proprio bucket S3 ai dispositivi.

Neo dlr è un runtime open source che esegue solo modelli compilati dal servizio SageMaker Neo. Rispetto all'open source dlr, l'SDK di Gestore di bordo SageMaker include un agente di livello aziendale integrato nel dispositivo con ulteriore sicurezza, gestione dei modelli e funzionalità di model serving. L'SDK di Gestore di bordo SageMaker è adatto per l'implementazione della produzione su larga scala.

Il Gestore di bordo SageMaker e AWS IoT Greengrass possono lavorare insieme alla tua soluzione di IoT. Una volta che il modello di ML è confezionato con Gestore di bordo SageMaker, è possibile utilizzare la funzione di aggiornamento OTA di AWS Iot Greengrass per implementare il pacchetto del modello sul proprio dispositivo. AWS IoT Greengrass permette di monitorare i dispositivi IoT da remoto, mentre Gestore di bordo SageMaker aiuta a monitorare e mantenere i modelli di ML sui dispositivi.

AWS offre la massima portata e completezza delle funzionalità per l'esecuzione di modelli su dispositivi edge. Disponiamo di servizi che supportano una vasta gamma di casi d'uso tra cui la visione computerizzata, il riconoscimento vocale e la manutenzione predittiva.

Per le aziende che intendono eseguire la visione computerizzata su dispositivi edge come telecamere e elettrodomestici, è possibile utilizzare AWS Panorama. AWS Panorama offre applicazioni di visione computerizzata pronte all'uso per i dispositivi edge. È facile iniziare con AWS Panorama accedendo alla console cloud, specificando il modello che si desidera utilizzare in Amazon S3 o in SageMaker, e poi scrivendo la logica aziendale come script python. AWS Panorama compila il modello per il dispositivo di destinazione e crea un pacchetto di applicazioni in modo che possa essere distribuito ai propri dispositivi con pochi clic. Inoltre, i produttori di software indipendenti che vogliono creare le proprie applicazioni personalizzate possono utilizzare l'SDK AWS Panorama, mentre i produttori di dispositivi possono utilizzare l'SDK del dispositivo per certificare i propri dispositivi per AWS Panorama.

I clienti che vogliono creare i propri modelli e hanno un controllo più granulare delle caratteristiche del modello, possono utilizzare Gestore di bordo SageMaker. Gestore di bordo SageMaker è un servizio gestito per la preparazione, l'esecuzione, il monitoraggio e l'aggiornamento di modelli di machine learning (ML) in flotte di dispositivi edge come telecamere intelligenti, altoparlanti intelligenti e robot per qualsiasi caso d'uso, come l'elaborazione del linguaggio naturale, l'individuazione delle frodi e la manutenzione predittiva. SageMaker Edge Manager è concepito per gli sviluppatori edge di ML che vogliono avere il controllo del proprio modello tra cui la progettazione di diverse funzionalità e monitorare i modelli in caso di deviazione. Qualsiasi sviluppatore edge di ML può utilizzare SageMaker Edge Manager attraverso la console e le API di SageMaker. Gestore di bordo SageMaker trasferisce le funzionalità di SageMaker quali creazione, addestramento e distribuzione di modelli nel cloud ai dispositivi edge.

Il Gestore di bordo SageMaker è disponibile in sei regioni: Stati Uniti orientali (Virginia settentrionale), Stati Uniti orientali (Ohio), Stati Uniti occidentali (Oregon), Europa (Irlanda), Europa (Francoforte) e Asia Pacifico (Tokyo). Consulta l'elenco dei Servizi regionali AWS per maggiori dettagli.

SageMaker Neo consente di addestrare una sola volta i modelli di ML e di eseguirli ovunque nel cloud e nell'edge. SageMaker Neo ottimizza automaticamente i modelli costruiti con framework comuni di deep learning che possono essere utilizzati per la distribuzione su più piattaforme hardware. I modelli ottimizzati vengono eseguiti fino a 25 volte più velocemente e consumano meno di un decimo delle risorse dei modelli tradizionali di machine learning.

Per iniziare a usare SageMaker Neo, è necessario eseguire l'accesso nella SageMaker console, scegliere un modello formato, seguire l'esempio per compilare i modelli e distribuire il modello risultante nella piattaforma hardware di destinazione.

SageMaker Neo contiene due componenti principali: un compilatore e un runtime. Prima, il compilatore SageMaker Neo legge modelli esportati da diversi framework. Converte quindi le funzioni specifiche del framework e le operazioni in una rappresentazione intermedia indipendente dal framework. Inoltre, esegue una serie di ottimizzazioni. Quindi, il compilatore genera un codice binario per le operazioni ottimizzate e le scrive in una libreria di oggetti condivisa. Il compilatore salva inoltre la definizione del modello e i parametri in file separati. Durante l'esecuzione, il runtime SageMaker Neo carica gli artefatti generati dal compilatore, definizione del modello, parametri e libreria di oggetti condivisa per eseguire il modello.

No. È possibile addestrare i modelli altrove e utilizzare SageMaker Neo per ottimizzarli per le istanze ML di SageMaker o i dispositivi supportati AWS IoT Greengrass.

Al momento, SageMaker Neo supporta i modelli di deep learning più conosciuti che alimentano le applicazioni di visione artificiale e i modelli di albero delle decisioni utilizzati in SageMaker oggi. SageMaker Neo ottimizza le prestazioni dei modelli AlexNet, ResNet, VGG, Inception, MobileNet, SqueezeNet e DenseNet addestrati in MXNet e TensorFlow, e i modelli classification e random cut forest addestrati in XGBoost.

È possibile trovare l'elenco delle istanze cloud supportate, dei dispositivi edge e delle versioni del framework nella documentazione relativa a SageMaker Neo.

Per visualizzare l'elenco di regioni supportate, consulta l'elenco dei Servizi regionali AWS.

I Savings Plans di SageMaker offrono un modello flessibile di determinazione dei prezzi basato sull'uso per SageMaker, in cambio di un impegno consistente nell'utilizzo (misurato in dollari/ore) per un periodo annuale o triennale. I Savings Plans di SageMaker forniscono la massima flessibilità e contribuiscono a ridurre i costi fino al 64%. Questi piani si applicano automaticamente agli usi idonei delle istanze ML di SageMaker, inclusi notebook SageMaker Studio, notebook SageMaker On-Demand, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference e SageMaker Batch Transform, indipendentemente dalla famiglia di istanze, dalla dimensione o dalla regione. Per esempio, si può modificare in qualsiasi momento l'uso da un'istanza CPU ml.c5.xlarge in esecuzione negli Stati Uniti orientali (Ohio) a un'istanza ml.Inf1 in esecuzione negli Stati Uniti occidentali (Oregon) per carichi di lavoro di inferenza e continuare automaticamente a pagare il prezzo di Savings Plans.

In caso di uso costante (misurato in dollari/ore) delle istanze SageMaker e di molteplici componenti di SageMaker o se si prevede un cambiamento della configurazione tecnologica (ad esempio famiglia di istanze, regione) nel corso del tempo, i Savings Plans di SageMaker semplificano l'ottimizzazione dei risparmi offrendo allo stesso tempo la flessibilità di modificare la configurazione tecnologica sottostante in base alle necessità dell'applicazione o alle innovazioni. La tariffa dei Savings Plans si applica automaticamente a tutti gli usi idonei delle istanze ML senza che sia necessaria alcuna modifica manuale.

Puoi iniziare a utilizzare i Savings Plans da Esploratore dei costi AWS nella Console di gestione AWS o utilizzando l'API o la CLI. Puoi stabilire facilmente l'impegno per i Savings Plans usando i suggerimenti forniti in AWS Cost Explorer per ottenere il massimo risparmio. L'impegno orario delle raccomandazioni è basato sul tuo storico dell'utilizzo di on demand e sulla tua scelta del tipo di piano, della lunghezza e dell'opzione di pagamento. Una volta effettuata l'iscrizione a Savings Plan, l'uso sarà automaticamente fatturato alla tariffa scontata del prezzo di Savings Plans e ogni uso superiore all'impegno stabilito sarà fatturato alla tariffa on demand normale.

La differenza tra i Savings Plans per SageMaker e i Savings Plans per Amazon EC2 sta nei servizi inclusi. I Savings Plans di SageMaker si applicano solo all'uso di istanze ML di SageMaker.

Savings Plans può essere acquistato in qualsiasi account all'interno di una famiglia AWS Organization/Fatturazione consolidata. Per impostazione predefinita, il vantaggio fornito da Savings Plans è applicabile all'uso in tutti gli account di una famiglia AWS Organization/Fatturazione consolidata. Comunque, si può anche scegliere di restringere il vantaggio di Savings Plans al solo account che li ha acquistati.