O Amazon SageMaker Studio fornece uma interface visual única baseada na Web em que você pode executar todas as etapas de desenvolvimento de ML. O SageMaker Studio fornece acesso, controle e visibilidade completos em cada etapa necessária para criar, treinar e implantar modelos. Você pode fazer o upload rápido de dados, criar novos notebooks, treinar e ajustar modelos, alternar entre as etapas para ajustar experimentos, comparar resultados e implantar modelos na produção em um único local, tornando-se muito mais produtivo. Todas as atividades de desenvolvimento de ML, incluindo notebooks, gerenciamento de experimentos, criação automática de modelo, depuração e detecção de desvio de modelo, podem ser executadas na interface visual unificada do SageMaker Studio.

Gerenciar instâncias de computação para visualizar, executar ou compartilhar um bloco de anotações é uma tarefa entediante. Os blocos de anotações do Amazon SageMaker Studio são blocos de anotações do Jupyter que podem ser iniciados rapidamente com um clique. Os recursos computacionais subjacentes são totalmente elásticos, o que permite aumentar ou reduzir facilmente os recursos disponíveis. As alterações ocorrem automaticamente em segundo plano, sem interromper seu trabalho. O SageMaker também permite o compartilhamento de blocos de anotações com um clique. Você pode compartilhar facilmente blocos de anotações com outros usuários e eles receberão exatamente o mesmo bloco de anotações, salvo no mesmo local.

Você pode escolher entre dezenas de blocos de anotações pré-criados no SageMaker para diferentes casos de uso. Você também pode obter centenas de algoritmos e modelos pré-treinados disponíveis no mercado AWS para começar a usar com mais facilidade.

O Amazon SageMaker Autopilot é o primeiro recurso de machine learning automatizado do setor que oferece controle e visibilidade completos dos seus modelos de ML. As abordagens típicas do machine learning automatizado não fornecem insights sobre a lógica ou os dados usados na criação do modelo. Como resultado, mesmo que o modelo seja medíocre, não há como evoluí-lo. Além disso, você não tem flexibilidade para fazer trocas, como sacrificar alguma precisão para previsões de menor latência, já que as soluções automatizadas típicas de ML fornecem apenas um modelo para você escolher.

O SageMaker Autopilot inspeciona dados brutos, aplica processadores de recursos, escolhe o melhor conjunto de algoritmos, treina e ajusta vários modelos, monitora a performance deles e os classifica com base na performance, tudo de maneira automática e com apenas alguns cliques. O resultado é o modelo com melhor performance que você pode implantar em uma fração do tempo normalmente necessário para treinar o modelo. Você obtém total visibilidade de como o modelo foi criado e o que ele contém, e o SageMaker Autopilot se integra ao Amazon SageMaker Studio. Você pode explorar até 50 modelos diferentes gerados pelo SageMaker Autopilot no SageMaker Studio, facilitando a escolha do melhor modelo para o seu caso de uso. O SageMaker Autopilot pode ser usado por pessoas sem experiência em machine learning para produzir um modelo facilmente. Pode ser usado também por desenvolvedores experientes para desenvolver um modelo de referência em que as equipes podem iterar ainda mais.

Saiba mais »

Modelos de machine learning de sucesso são desenvolvidos com base em grandes volumes de dados de treinamento de alta qualidade. Contudo, o processo de criação dos dados de treinamento necessários para desenvolver esses modelos geralmente é caro, complicado e demorado. O Amazon SageMaker Ground Truth ajuda a criar e gerenciar conjuntos de dados de treinamento altamente precisos rapidamente. O Ground Truth oferece fácil acesso aos rotuladores por meio do Amazon Mechanical Turk e fornece fluxos de trabalho e interfaces pré-criados para tarefas comuns de rotulagem. Você também pode usar seus próprios rótulos ou fornecedores recomendados pela Amazon por meio do AWS Marketplace. Além disso, a Ground Truth aprende continuamente com rótulos criados por seres humanos para fazer anotações automáticas de alta qualidade e reduzir significativamente os custos de rotulagem.

Saiba mais »

O Amazon SageMaker Experiments ajuda a organizar e monitorar iterações para modelos de machine learning. O treinamento de um modelo de ML normalmente envolve muitas iterações para isolar e medir o impacto da alteração de conjuntos de dados, versões de algoritmos e parâmetros de modelo. Você produz centenas de artefatos, como modelos, dados de treinamento, configurações de plataforma, configurações de parâmetros e métricas de treinamento durante essas iterações. Normalmente são usados mecanismos pesados para monitorar esses experimentos, como planilhas.

O SageMaker Experiments ajuda a gerenciar as iterações, capturando automaticamente os parâmetros de entrada, as configurações e os resultados, armazenando-os como "experimentos". Você pode trabalhar na interface visual do SageMaker Studio, onde pode procurar experimentos ativos, pesquisar experimentos anteriores pelas características, revisar experimentos anteriores pelos resultados deles e comparar visualmente os experimentos.

O processo de treinamento de ML é amplamente opaco e o tempo necessário para treinar um modelo pode ser longo e difícil de otimizar. Como resultado, muitas vezes é difícil interpretar e explicar modelos. O Amazon SageMaker Debugger torna o processo de treinamento mais transparente, capturando métricas em tempo real automaticamente durante o treinamento, como treinamento e validação, matrizes de confusão e gradientes de aprendizagem, para ajudar a melhorar a precisão do modelo.

As métricas do SageMaker Debugger podem ser visualizadas no SageMaker Studio para facilitar o entendimento. O SageMaker Debugger também pode gerar avisos e conselhos de correção quando problemas comuns de treinamento são detectados. Com o SageMaker Debugger, você pode interpretar como um modelo está funcionando, o que representa um passo inicial para a explicabilidade do modelo.

As otimizações do TensorFlow da AWS fornecem eficiência de escalabilidade quase linear entre centenas de GPUs para operar na escala de nuvem sem muita sobrecarga de processamento para treinar modelos mais precisos e mais sofisticados em muito menos tempo.

O Amazon SageMaker fornece treinamento gerenciado de spots para ajudar a reduzir os custos de treinamento em até 90%. Esse recurso usa instâncias spot do Amazon EC2, que é uma capacidade de computação sobressalente da AWS. Os trabalhos de treinamento são executados automaticamente quando a capacidade de computação se torna disponível e são resilientes a interrupções causadas por alterações na capacidade, permitindo economizar custos quando você tem flexibilidade com a execução de trabalhos de treinamento.