Domande frequenti su Amazon SageMaker

D: Cos'è Amazon SageMaker?

SageMaker è un servizio completamente gestito per preparare i dati e costruire, addestrare e implementare modelli di machine learning (ML) per qualsiasi caso d'uso impiegando infrastrutture, strumenti e flussi di lavoro completamente gestiti.

D: In quali Regioni AWS è disponibile SageMaker?

Per un elenco delle Regioni SageMaker supportate, consulta la pagina dei servizi regionali AWS. Per ulteriori informazioni, consulta inoltre la pagina Endpoint regionali nella guida Riferimenti generali AWS.

D: Qual è la disponibilità del servizio SageMaker?

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

D: In che modo SageMaker protegge il codice?

SageMaker memorizza il codice in volumi di archiviazione per il machine learning, protetti da gruppi di sicurezza crittografabili su disco.

D: Quali misure di sicurezza implementa SageMaker?

SageMaker crittografa gli artefatti di modello di ML e di altri elementi del sistema, sia inattivi sia in transito. Le richieste all'API e alla console di SageMaker vengono inoltrate tramite una connessione sicura (SSL). Puoi avvalerti dei ruoli AWS Identity and Access Management in SageMaker per fornire le autorizzazioni per accedere alle risorse per l'addestramento e l'implementazione per tuo conto. È possibile utilizzare bucket Amazon Simple Storage Service (Amazon S3) crittografati per dati e artefatti di modello, nonché applicare una chiave del Servizio di gestione delle chiavi AWS (AWS KMS) a notebook di SageMaker, processi di addestramento ed endpoint per crittografare il volume di archiviazione dedicato al ML collegato. SageMaker supporta inoltre Amazon Virtual Private Cloud (Amazon VPC) e AWS PrivateLink.

D: SageMaker utilizza o condivide modelli, dati di addestramento o algoritmi?

SageMaker non utilizza o condivide modelli, dati di addestramento o algoritmi dei clienti. Sappiamo quanto i clienti si preoccupino per la privacy e la sicurezza dei dati. È per questo che, in AWS, hanno sempre il controllo e la proprietà sui loro contenuti; grazie a strumenti semplici ma efficaci possono determinare dove i dati saranno memorizzati, proteggere le informazioni dei loro clienti sia in transito sia inattive e gestire l'accesso ai servizi e alle risorse di AWS per i loro utenti. AWS implementa anche tecnici e fisici, progettati per impedire accessi non autorizzati e divulgazione di dati riservati. La proprietà dei dati rimane al cliente, che potrà scegliere a quali servizi AWS consentirne elaborazione, memorizzazione e hosting. AWS non accede né utilizza i contenuti dei clienti per alcun motivo senza il loro consenso.

D: Come viene fatturato l'utilizzo di SageMaker?

Verranno addebitati i costi delle risorse di calcolo, archiviazione ed elaborazione dati utilizzate per hosting dei notebook, addestramento di modelli, elaborazione di previsioni e registrazione dei risultati. 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. Consulta la pagina dei prezzi di Amazon SageMaker per i dettagli e il Calcolatore dei prezzi di Amazon SageMaker per i dettagli.

D: Come posso ottimizzare i costi di SageMaker, ad esempio individuando e arrestando risorse inattive per evitare addebiti superflui?

Esistono diverse best practice da adottare per ottimizzare l'utilizzo delle risorse di SageMaker. Alcuni approcci prevedono la messa a punto della configurazione, altre soluzioni programmatiche. Una guida completa sull'argomento, completa di tutorial visivi ed esempi di codice, è disponibile in questo post del blog.

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

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 SageMaker in base ai requisiti aziendali è molto semplice.

D: R è supportato da SageMaker?

Sì. Puoi utilizzare R all'interno delle istanze notebook SageMaker, che includono un kernel R preinstallato e la libreria reticolare. La libreria reticolare offre un'interfaccia R per Amazon SageMaker Python SDK, consentendo ai professionisti del ML di costruire, addestrare, ottimizzare e implementare modelli R. 

D: Come faccio a verificare eventuali squilibri nel mio modello?

Amazon SageMaker Clarify aiuta a migliorare la trasparenza del modello rilevando distorsioni statistiche nell’intero flusso di lavoro di ML. SageMaker Clarify verifica la presenza di squilibri durante la preparazione dei dati, dopo l’addestramento e nel corso del tempo, includendo strumenti che aiutano a spiegare i modelli di ML e le loro previsioni. È possibile condividere i risultati tramite report di spiegabilità.

D: Che tipo di distorsione rileva SageMaker Clarify?

Misurare le distorsioni in modelli di ML è un primo passo verso il loro contenimento. È possibile misurare le distorsioni prima dell’addestramento e dopo l’addestramento, oltre che per l’inferenza per un modello distribuito. Ogni misura di distorsioni corrisponde a un concetto diverso di equità. Anche considerare semplici concetti di equità conduce a molte misure diverse applicabili in svariati contesti. È necessario scegliere i concetti di distorsione e le misurazioni che sono valide per l'applicazione e la situazione oggetto dell'indagine. SageMaker attualmente supporta l'elaborazione di differenti metriche di distorsione per i dati di addestramento (come parte della preparazione dei dati SageMaker), per il modello addestrato (come parte di Esperimenti Amazon SageMaker) e per l'inferenza per un modello implementato (come parte di Amazon SageMaker Model Monitor). Ad esempio, prima dell'addestramento forniamo metriche per controllare se i dati di addestramento sono rappresentativi (cioè se un gruppo è sottorappresentato) e se ci sono differenze nella distribuzione delle etichette tra i gruppi. Dopo la formazione o durante l’implementazione, i parametri possono risultare utili per misurare se (e di quanto) le prestazioni del modello differiscono tra i gruppi. Ad esempio, puoi iniziare confrontando i tassi di errore (qual è la possibilità che una previsione del modello differisca dall'etichetta vera?) o aggiungendo precisione (qual è la possibilità che una previsione positiva sia corretta?) e riconoscimento (con quale possibilità il modello contrassegnerà correttamente un esempio positivo?).

D: Come fa SageMaker Clarify a migliorare la comprensibilità del modello?

SageMaker Clarify è integrato con SageMaker Experiments per fornire un grafico che elenca l'importanza di ciascun input per il processo decisionale globale relativo al tuo modello dopo che il modello stesso è stato addestrato. Questi dettagli possono aiutare a stabilire se un particolare input abbia più influenza di quanto dovrebbe sul comportamento generale del modello. SageMaker Clarify rende anche disponibili spiegazioni per le singole previsioni tramite un'API. 

D: Cos'è Amazon SageMaker Studio?

SageMaker Studio fornisce un'interfaccia visuale unica basata sul Web in cui si possono eseguire tutte le fasi di sviluppo del ML. SageMaker Studio offre accesso, controllo e visibilità completi su ogni fase necessaria alla progettazione, all'addestramento e all'implementazione dei modelli. Puoi velocemente caricare i dati, creare nuovi notebook, addestrare e regolare i modelli, andare avanti e indietro tra le fasi per modificare gli esperimenti, confrontare i risultati e implementare i modelli in produzione in un unico luogo, rendendo il tuo processo più produttivo. Tutte le attività di sviluppo con il machine learning che includono notebook, gestione degli esperimenti, creazione automatica dei modelli, profilatura, debug e rilevamento delle deviazioni del modello possono essere eseguite all'interno dell'interfaccia visiva unificata di SageMaker Studio.

D: Cos'è RStudio su Amazon SageMaker?

RStudio su SageMaker è il primo workbench RStudio completamente gestito nel cloud. Puoi avviare rapidamente l'ambiente di sviluppo integrato (IDE) RStudio dall'aspetto familiare e aumentare o diminuire le risorse di calcolo sottostanti senza interrompere il tuo lavoro, facilitando la costruzione di soluzioni di machine learning (ML) e analisi in R su vasta scala. È possibile passare facilmente tra i notebook con IDE RStudio e SageMaker Studio per lo sviluppo in R e Python. Ogni aspetto del tuo lavoro, compresi codice, set di dati, repository e altri artefatti, viene sincronizzato in automatico tra i due ambienti per ridurre lo switching di contesto e incrementare la produttività.

D: Come sono calcolati i prezzi di SageMaker Studio?

Non sono previsti costi aggiuntivi per l'utilizzo di SageMaker Studio. Sono addebitati unicamente i costi base di elaborazione e di archiviazione per i servizi effettivamente utilizzati con SageMaker Studio.

D: In quali regioni è disponibile SageMaker Studio?

L'elenco delle regioni in cui è disponibile SageMaker Studio è consultabile nella Guida per gli sviluppatori di Amazon SageMaker.

D: Quali strumenti di governance del ML fornisce 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
per ulteriori informazioni, consulta Governance del ML con Amazon SageMaker.

D: Quale funzione Gestore dei ruoli di 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.

D: Quale è la funzione di Schede dei modelli SageMaker?

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.

D: Quali sono le caratteristiche di Pannello di controllo dei modelli SageMaker?

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.

D: Come posso iniziare a utilizzare subito SageMaker?

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. 

D: Quali modelli di base sono disponibili in SageMaker JumpStart?

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

D: Come posso iniziare a utilizzare i modelli di base tramite 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.

D: I miei dati vengono utilizzati o condivisi per aggiornare il modello base offerto ai clienti che utilizzano SageMaker JumpStart?

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.

D: Posso vedere i pesi e gli script dei modelli proprietari con SageMaker JumpStart?

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

D: In quali Regioni sono disponibili i modelli di base SageMaker JumpStart?

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.

D: Qual è il prezzo dei modelli di base SageMaker JumpStart?

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 Marketplace AWS.

D: In che modo SageMaker JumpStart contribuisce a proteggere e rendere sicuri i miei dati?

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.

D: Quali modelli open source sono supportati da SageMaker JumpStart?

SageMaker JumpStart include oltre 150 modelli open source precedentemente addestrati 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.

D: Come si condividono gli artefatti di ML con altre persone all'interno di un'organizzazione?

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.

D: Perché dovrei utilizzare SageMaker JumpStart per condividere gli artefatti di ML con altre persone all'interno della mia organizzazione?

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.
 

D: Cos'è il pilota automatico Amazon SageMaker?

Il pilota automatico Amazon SageMaker è la prima funzionalità automatica di machine learning del settore che offre controllo e visibilità totali sui modelli di ML. SageMaker Autopilot esamina automaticamente i dati non elaborati, applica i processori di caratteristiche, sceglie il miglior set di algoritmi, addestra e ottimizza diversi modelli, controlla le loro prestazioni e in base a queste stila una classifica dei modelli, il tutto in pochi clic. Il risultato è un modello con le migliori prestazioni possibili, che si può distribuire in una frazione del tempo normalmente richiesto per la formazione del modello. Hai piena visibilità su come il modello è stato creato, cosa c'è al suo interno e SageMaker Autopilot si integra con SageMaker Studio. Puoi ricercare fino a 50 modelli diversi generati da SageMaker Autopilot all'interno di SageMaker Studio, così è facile scegliere il miglior modello per il tuo caso d'uso. SageMaker Autopilot può essere utilizzato per produrre facilmente un modello anche da chi non possiede esperienza di machine learning; può però essere utilizzato da sviluppatori esperti per sviluppare un modello di base per le successive iterazioni del team.

D: Quali algoritmi integrati sono supportati in SageMaker Autopilot?

SageMaker Autopilot supporta 2 algoritmi integrati: XGBoost e Linear Learner.

D: Posso interrompere manualmente un processo SageMaker Autopilot?

Sì. Puoi interrompere un processo in qualsiasi momento. Quando un processo del pilota automatico SageMaker viene interrotto, tutte le prove in corso vengono arrestate e non viene avviata alcuna nuova prova.

D: Cos'è Amazon SageMaker Canvas?

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.

D: Come sono calcolati i prezzi di 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.

D: Come posso costruire una pipeline di integrazione e implementazione continua (CI/CD) con SageMaker?

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. Pipeline SageMaker è dotato di un Python SDK che si collega a SageMaker Studio in modo da poter sfruttare un'interfaccia visiva per costruire ogni passaggio del flusso di lavoro. Quindi, utilizzando una singola API, è possibile collegare ogni passaggio per creare un flusso di lavoro completo. 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.

D: Come faccio a visualizzare tutti i miei modelli addestrati per scegliere il modello migliore per passare alla produzione?

Pipeline SageMaker fornisce un repository centrale di modelli addestrati chiamato registro dei modelli. Puoi scoprire i modelli e accedere al registro dei modelli visivamente attraverso SageMaker Studio o in modo programmatico attraverso l'SDK di Python, semplificando la scelta del modello desiderato da implementare nella produzione.

D: Quali componenti di SageMaker possono essere aggiunti a Pipeline SageMaker?

A Pipeline SageMaker è possibile aggiungere i componenti disponibili tramite SageMaker Studio, quali SageMaker Clarify, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Esperimenti Amazon SageMaker, Debugger Amazon SageMaker e Amazon SageMaker Model Monitor.

D: Come faccio a monitorare i componenti del mio modello attraverso l'intero flusso di lavoro di ML?

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.

D: Come sono calcolati i prezzi di Pipeline SageMaker?

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.

D: Posso usare Kubeflow con 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.

D: Come sono calcolati i prezzi dei componenti di SageMaker per pipeline Kubeflow?

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

D: Come fa SageMaker a preparare i dati per il ML?

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 SageMaker Feature Store e Snowflake in pochi passi. Inoltre, è possibile interrogare e importare dati trasferiti da oltre 40 origini dei 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 in Amazon SageMaker Feature Store.

D: Come faccio a creare le funzionalità del modello con SageMaker Data Wrangler?

Senza scrivere una singola riga di codice, SageMaker Data Wrangler è in grado di trasformare automaticamente i tuoi dati in nuove funzionalità. SageMaker Data Wrangler offre una selezione di trasformazioni di dati preconfigurate, imputazione dei dati mancanti, codifica one-hot, riduzione della dimensionalità utilizzando l'analisi dei componenti principali (PCA) nonché trasformatori specifici per le serie temporali. Ad esempio, è possibile convertire una colonna di campo testo in una colonna numerica con una sola operazione, oppure creare uno snippet di codice attingendo alla libreria di snippet di SageMaker Data Wrangler.

D: Come faccio a visualizzare i miei dati in 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.

D: Come sono calcolati i prezzi di SageMaker Data Wrangler?

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.

D: Come posso addestrare modelli ML con i dati preparati in SageMaker Data Wrangler?

SageMaker Data Wrangler offre un'esperienza unificata che ti consente di preparare i dati e addestrare senza problemi un modello di machine learning in Pilota automatico SageMaker. Pilota automatico SageMaker crea, addestra e regola automaticamente i migliori modelli di ML in base ai tuoi dati. Con Pilota automatico SageMaker, mantieni comunque il pieno controllo e la visibilità dei tuoi dati e del tuo modello. 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.

D: Quando le funzionalità sono state preparate in base ai dati storici, in quale modo SageMaker Data Wrangler gestisce i nuovi dati?

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.

D: Come funziona SageMaker Data Wrangler con i processi di CI/CD?

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.

D: Quale modello utilizza Quick Model di SageMaker Data Wrangler?

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.

D: Quali dimensioni di dati supporta SageMaker Data Wrangler?

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.

D: SageMaker Data Wrangler funziona con SageMaker Feature Store?

È possibile configurare SageMaker Feature Store 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.

D: Come faccio ad archiviare le funzionalità dei miei modelli di ML?

SageMaker Feature Store fornisce un repository centrale per le caratteristiche di dati con lettura e scrittura a bassa latenza (millisecondi). Le caratteristiche possono essere archiviate, recuperate, scoperte e condivise tramite SageMaker Feature Store per un facile riutilizzo tra modelli e team con accesso e controllo sicuri. SageMaker Feature Store supporta caratteristiche sia online che offline generate tramite pipeline in batch o in streaming. Supporta il backfilling delle caratteristiche e fornisce negozi online e offline per mantenere la parità tra le caratteristiche utilizzate nell’addestramento e nell’inferenza del modello.

D: Come faccio a mantenere la coerenza tra le funzionalità online e offline?

SageMaker Feature Store mantiene automaticamente la coerenza tra le funzionalità online e offline senza gestione o codice aggiuntivi. SageMaker Feature Store è completamente gestito e mantiene la coerenza tra gli ambienti di addestramento e di inferenza statistica.

D: Come faccio a riprodurre una funzione da un dato momento nel tempo?

SageMaker Feature Store mantiene i time stamp per tutte le funzionalità in ogni istanza di tempo. Ciò ti aiuta a recuperare le funzionalità in qualsiasi periodo di tempo per requisiti di business o di conformità. Puoi facilmente spiegare le funzionalità del modello e i loro valori da quando sono stati creati per la prima volta a oggi, riproducendo il modello a partire da un dato momento nel tempo.

D: Quali sono le funzionalità offline?

Le funzionalità offline sono utilizzate per l’addestramento perché è necessario accedere a volumi molto grandi per un lungo periodo di tempo. Queste caratteristiche sono servite da un repository a velocità effettiva e a larghezza di banda elevati.

D: Quali sono le caratteristiche online?

Le caratteristiche online sono utilizzate nelle applicazioni necessarie per fare previsioni in tempo reale. Le caratteristiche online sono servite da un repository ad elevata velocità di trasmissione effettiva con latenza pari a singole unità di millisecondi per previsioni veloci.

D: Come sono calcolati i prezzi di SageMaker Feature Store?

Grazie al Piano gratuito AWS, puoi iniziare a utilizzare SageMaker Feature Store 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.

D: Cosa offre SageMaker per l'etichettatura dei dati?

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.

D: Cosa sono i dati geospaziali?

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.

D: Cosa sono le capacità geospaziali di SageMaker?

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 satellite da Amazon S3, oppure importare i dati da Open Data su AWS, Servizio di posizione Amazon e altre origini dei dati geospaziali di SageMaker. 

D: Qual è il vantaggio del ML geospaziale su 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.

D: Cosa sono i notebook Amazon SageMaker Studio?

I notebook SageMaker Studio sono notebook Jupyter gestiti, facili da utilizzare e ideali per la collaborazione. I notebook SageMaker Studio si integrano con strumenti ML appositamente creati in SageMaker e altri servizi AWS per lo sviluppo completo di ML in SageMaker Studio, l'IDE completo per ML.

D: In che modo i notebook SageMaker Studio sono diversi dall'offerta di notebook basati sulle istanze?

I notebook SageMaker Studio offrono alcune importanti funzionalità che li differenziano dai notebook basati sull'istanza. Con i notebook Studio, 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. La condivisione dei notebook è una caratteristica integrata nei notebook SageMaker Studio. È possibile condividere i notebook con i colleghi con una sola operazione oppure addirittura modificare contemporaneamente a quattro mani uno stesso notebook.

D: Come funzionano i notebook SageMaker Studio?

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.

D: Cosa sono gli spazi condivisi in SageMaker?

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.

D: Come funzionano i notebook SageMaker Studio con altri servizi AWS?

I notebook SageMaker Studio offrono accesso a tutte le caratteristiche di SageMaker, quali addestramento distribuito, trasformazione in batch, hosting e gestione degli esperimenti. 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.

D: Come sono calcolati i prezzi dei notebook SageMaker Studio?

Saranno addebitati sia i costi per il calcolo che per lo storage durante l'utilizzo di notebook SageMaker 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 SageMaker Studio gratuitamente.

D: Sono addebitati costi separati per ogni notebook creato ed eseguito in SageMaker Studio?

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. Ulteriori informazioni sull'ambiente di sviluppo di SageMaker Studio sono disponibili nella guida per l'utilizzo dei notebook SageMaker Studio.

D: Come è possibile monitorare e arrestare le risorse utilizzate dai notebook?

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.

D: Se eseguo un notebook Amazon SageMaker Studio, mi verranno comunque addebitati costi se chiudo il browser, la scheda dei notebook o semplicemente lascio il browser aperto?

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.

D: Vengono addebitati costi per la creazione e la configurazione di un dominio SageMaker Studio?

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.

D: Come visualizzo i costi dettagliati per i notebook SageMaker Studio o altri servizi SageMaker?

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.

D: Cos'è Amazon SageMaker Studio Lab?

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.

D: Perché dovrei usare SageMaker Studio Lab?

 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.

D: In che modo SageMaker Studio Lab si relaziona/funziona con altri servizi AWS?

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.

D: Cos'è SageMaker Canvas?

SageMaker Canvas è un servizio visuale, drag and drop che permette agli analisti aziendali di costruire modelli ML e generare previsioni precise senza scrivere codice e senza richiedere competenze di ML. SageMaker Canvas semplifica l'accesso e la combinazione di dati da varie origini, pulisce automaticamente i dati e applica loro varie regolazioni, costruendo modelli di ML per generare previsioni precise in un unico passaggio. È possibile anche pubblicare facilmente i risultati, spiegare e interpretare i modelli, e condividerli con altri all'interno della propria organizzazione a scopi di revisione.

D: Quali origini dati supporta SageMaker Canvas?

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.

D: Come si costruisce un modello di ML per generare previsioni precise in SageMaker Canvas?

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.

D: Quanto tempo occorre per costruire un modello in SageMaker Canvas? Come posso monitorare i progressi durante la creazione del modello?

Il tempo necessario per costruire un modello dipende dalla dimensione del set di dati. Piccoli set di dati possono richiedere meno di 30 minuti, e grandi set di dati possono richiedere alcune ore. Man mano che il processo di creazione del modello procede, SageMaker Canvas fornisce aggiornamenti visivi dettagliati, compresa la percentuale di completamento del processo e la quantità di tempo rimanente per il completamento.

D: Cos'è Esperimenti Amazon SageMaker?

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 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.

D: Cos'è Debugger Amazon 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.

D: SageMaker supporta l'addestramento distribuito?

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.

D: Cos'è il Compilatore di addestramento di Amazon SageMaker?

Il Compilatore di addestramento di SageMaker è un compilatore di deep learning (DL) che accelera l'addestramento dei modelli di DL fino al 50% attraverso ottimizzazioni a livello di grafico e di kernel per utilizzare le GPU in modo più efficiente. Il Compilatore di addestramento di SageMaker è integrato con le versioni di TensorFlow e PyTorch in SageMaker, in modo da poter accelerare l'addestramento in questi framework popolari con modifiche minime al codice.

D: Come funziona il Compilatore di addestramento di SageMaker?

SageMaker Training Compiler accelera i processi di addestramento convertendo i modelli di DL dalla loro rappresentazione in linguaggio di alto livello a istruzioni ottimizzate per l'hardware che si addestrano più velocemente dei processi con i framework nativi. Più specificamente, SageMaker Training Compiler usa l'ottimizzazione a livello di grafico (fusione di operatori, pianificazione della memoria e semplificazione algebrica), le ottimizzazioni a livello di flusso di dati (trasformazione del layout, eliminazione delle sottoespressioni comuni) e le ottimizzazioni di back end (nascondere la latenza della memoria, ottimizzazioni orientate ai circuiti) per produrre un lavoro di addestramento modelli ottimizzato che utilizza in modo più efficiente le risorse hardware e, di conseguenza, forma più velocemente.

D: Come posso usare il Compilatore di addestramento di SageMaker?

Il Compilatore di addestramento di SageMaker è integrato nell'SDK SageMaker per Python e nei container di deep learning SageMaker Hugging Face. Non è necessario modificare i flussi di lavoro per accedere ai vantaggi in termini di accelerazione. È possibile eseguire i processi di addestramento nello stesso modo in cui già fai, usando una qualsiasi delle interfacce di SageMaker: istanze notebook di SageMaker, SageMaker Studio, AWS SDK per Python (Boto3) e interfaccia della linea di comando AWS (AWS CLI). È possibile attivare il Compilatore di formazione Amazon SageMaker aggiungendo una classe TrainingCompilerConfig come parametro quando si crea un oggetto stimatore di framework. In pratica, questo significa un paio di righe di codice aggiunte a uno script di addestramento esistente per una singola istanza GPU. La documentazione dettagliata più aggiornata, i notebook di prova e gli esempi sono disponibili nella documentazione .

D: Quanto costa il Compilatore di addestramento di SageMaker?

Il Compilatore di addestramento è una funzionalità di addestramento di SageMaker fornita senza costi aggiuntivi esclusivamente ai clienti di SageMaker. Con il compilatore di addestramento i clienti possono in effetti ridurre i costi poiché i tempi di addestramento sono ridotti.

D: Cos'è Managed Spot Training?

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%.

D: In che modo è possibile utilizzare Managed Spot Training?

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.

D: In quali casi è indicato utilizzare Managed Spot Training?

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%.

D: Come funziona Managed Spot Training?

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.

D: Con Managed Spot Training è necessario creare checkpoint periodicamente?

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.

D: In che modo è possibile calcolare il risparmio sui costi con i processi di Managed Spot Training?

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.

D: Quali istanze si possono utilizzare con Managed Spot Training?

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

D: Quali Regioni sono supportate con Managed Spot Training?

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

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 SageMaker.

D: Quali algoritmi usa SageMaker per generare modelli?

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.

D: Cos'è l'ottimizzazione automatica dei modelli

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.

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

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.

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

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

D: In cosa consiste l'algoritmo di regolazione automatica 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.

D: La regolazione automatica dei modelli suggerisce iperparametri specifici per la regolazione?

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.

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 ottimizzando un modello sia rapido sia preciso?

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.

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

D: Cosa determina la scelta di usare SageMaker o l'ottimizzazione automatica 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.

D: Cos'è il consolidamento dell'apprendimento?

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.

D: Posso formare i modelli di consolidamento dell'apprendimento in SageMaker?

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

D: In cosa è diverso il consolidamento dell'apprendimento dall'apprendimento 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.

D: Quando è indicato utilizzare il consolidamento dell'apprendimento?

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.

D: Che tipo di ambienti posso usare per addestrare i modelli RL?

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.

D: Ho bisogno di scrivere i miei algoritmi di agenti RL per addestrare i modelli RL?

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.

D: Posso portare le mie librerie RL e l'implementazione di algoritmi ed eseguirli in SageMaker RL?

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

D: Posso effettuare rollout distribuiti utilizzando 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.

D: Quali opzioni di implementazione fornisce SageMaker?

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. 

D: Cos'è Amazon SageMaker Asynchronous Inference?

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. 

D: Come configuro le impostazioni di scalabilità automatica per ridurre a zero il conto delle istanze quando non sto elaborando le richieste attivamente?

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. 

D: Cos'è Inferenza serverless Amazon SageMaker?

Inferenza serverless Amazon 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.

D: Perché dovrei usare Inferenza serverless SageMaker?

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.

D: Cos'è Provisioned Concurrency per l'inferenza serverless SageMaker?

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.

D: Perché è indicato utilizzare la concorrenza assegnata?

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.

D: Quali costi vengono addebitati per la concorrenza assegnata?

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.

D: Cos'è lo shadow testing 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.

D: Quali sono i vantaggi di SageMaker per lo shadow testing?

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.

D: Cos'è l'inferenza con funzione di suggerimento Amazon SageMaker?

L'inferenza con funzione di suggerimento SageMaker riduce il tempo necessario per mettere in produzione i modelli 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.

D: Perché dovrei usare SageMaker Inference Recommender?

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.

D: Come funziona SageMaker Inference Recommender con altri servizi AWS?

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.

D: SageMaker Inference Recommender può supportare endpoint multi-modello o endpoint multi-container?

No, attualmente supportiamo un solo modello per endpoint.

D: Che tipo di endpoint supporta SageMaker Inference Recommender?

Attualmente supportiamo solo endpoint in tempo reale.

D: Posso utilizzare l'inferenza con funzione di suggerimento SageMaker in una regione ed effettuare un benchmark in regioni diverse?

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

D: Inferenza con funzione di suggerimento SageMaker supporta le istanze Amazon EC2 Inf1?

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.

D: Cos'è Amazon SageMaker Model Monitor?

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.

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

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.

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

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.

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

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.

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

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.

D: Quante richieste simultanee in tempo reale dell'API supporta 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.

D: Che cos'è la trasformazione in batch?

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.

D: Cos’è Amazon SageMaker Edge Manager?

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.

Q: Come si inizia a usare Amazon SageMaker Edge Manager?

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.

D: Quali dispositivi sono supportati da SageMaker Edge Manager?

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.

D: Devo utilizzare SageMaker per addestrare il mio modello e poter utilizzare Gestore di bordo SageMaker?

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

D: Devo utilizzare SageMaker Neo per compilare il mio modello e poter utilizzare Gestore di bordo SageMaker?

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.

Q: Come faccio a distribuire i modelli ai dispositivi edge?

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.

D: In che modo l'SDK di Gestore di bordo SageMaker è diverso dal runtime di SageMaker Neo (dlr)?

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.

D: Come è collegato il Gestore di bordo SageMaker con AWS IoT Greengrass?

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.

D: Come è collegato Gestore di bordo SageMaker con AWS Panorama? Quando si deve usare Gestore di bordo SageMaker e quando AWS Panorama?

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.

D: In quali regioni è disponibile Gestore di bordo SageMaker?

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 per regione AWS per maggiori dettagli.

D: Cos'è Amazon SageMaker Neo?

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.

D: Come si inizia a usare SageMaker Neo?

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.

D: Quali sono i componenti principali di SageMaker Neo?

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.

D: Devo utilizzare SageMaker per addestrare il mio modello e poter utilizzare SageMaker Neo per convertirlo?

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.

D: Quali modelli supporta SageMaker Neo?

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.

D: Quali piattaforme hardware supporta SageMaker Neo?

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

D: In quali regioni è disponibile SageMaker Neo?

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

D: Cosa sono i Savings Plans di Amazon SageMaker?

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.

D: Perché dovrei usare i Savings Plans di SageMaker?

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.

D: Come si cominciano a usare i Savings Plans di SageMaker?

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.

D: Qual è la differenza tra i Savings Plans per SageMaker e i Savings Plans per l'elaborazione per EC2?

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.

D: Come funziona Savings Plans con AWS Organizations/Fatturazione consolidata?

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. Si può anche scegliere tuttavia di restringere il vantaggio di Savings Plans al solo account in cui si è effettuato l'acquisto.