Часто задаваемые вопросы по Amazon SageMaker AI

Amazon SageMaker AI (ранее – Amazon SageMaker) – это полностью управляемый сервис, объединяющий обширный набор инструментов для обеспечения высокопроизводительного и недорогого машинного обучения при любом случае использования. С помощью SageMaker AI можно создавать, обучать и развертывать модели глубокого обучения, а также масштабировать их. SageMaker – это унифицированная платформа для данных, аналитики и искусственного интеллекта. Сервис предоставляет клиентам новый унифицированный интерфейс разработки на базе искусственного интеллекта, что позволяет легко и быстро создавать приложения на AWS.

В re:Invent 2024 поддерживаются такие возможности, как адреса логического вывода, JumpStart, Train, MLFlow, Реестр моделей, партнерские приложения на базе искусственного интеллекта, HyperPod, Конвейеры и т. д. Мы стремимся включить в новую Студию Unified все существующие функции процесса разработки, от обучения модели до развертывания.

SageMaker предоставляет унифицированный интерфейс на базе данных и искусственного интеллекта для поиска данных, доступа к ним и принятия мер на их основе, ускоряя аналитику и инициативы в области искусственного интеллекта. Поскольку SageMaker AI будет поддерживаться и дальше, вам не нужно предпринимать какие-либо действия, чтобы существующие рабочие процессы продолжали работать. Например, можно продолжать использовать существующие кластеры Amazon SageMaker HyperPod без изменений. Чтобы использовать их в новой Студии SageMaker Unified, настройте подключение к этому кластеру. Все существующие конфигурации HyperPod будут автоматически перенесены в ваш проект в SageMaker, а производительность и экономичность останутся прежними. Однако интерфейс Студии SageMaker Unified может повысить производительность, объединив все инструменты в одном месте.

Мы рады объявить о создании объединенной студии, которая позволит вам быстрее сотрудничать и создавать проекты. В Студии SageMaker Unified можно обнаруживать и запрашивать данные, обучать модели ИИ и создавать приложения на базе генеративного искусственного интеллекта. Мы всегда готовы поддерживать вас на каждом этапе. Мы предоставим простые в использовании рекомендации по переносу существующих проектов в Студию Unified в первом квартале 2025 года. Если у вас есть какие-либо вопросы, не стесняйтесь обращаться к вашей команде по работе с клиентами.

Студия SageMaker остается отличным выбором для клиентов, которым нужен надежный и оптимизированный сервис для разработки машинного обучения. Организации, целью которых является изучение возможности обработки данных и аналитики, оценят интегрированное управление, расширенную аналитику и функции на базе генеративного искусственного интеллекта новой унифицированной платформы. Благодаря новому интегрированному интерфейсу в Студии SageMaker Unified вы можете готовить и интегрировать данные, просматривать данные с помощью SQL, а также обнаруживать данные и управлять ими с помощью унифицированного каталога.

Да, HyperPod, JumpStart, MLFlow, JupyterLab и Конвейеры доступны в новой Студии SageMaker Unified. Кроме того, в новой Студии Unified поддерживаются адреса логического вывода, обучение, Реестр моделей и другие популярные возможности SageMaker.

Путь 1. Выбирайте, настраивайте и развертывайте базовые модели (FM).

• Найдите и выберите набор данных.
• Выберите FM.
• Оцените модели (автоматически или вручную).
• Персонализируйте и настройте: оптимизируйте цену, производительность и качество FM.
• Оптимизируйте и разверните для получения логических выводов.
• Автоматизируйте с помощью FMOps и мониторинга моделей.

Путь 2. Создавайте, обучайте и развертывайте модели машинного обучения в любом масштабе.

• Ускоряйте и масштабируйте подготовку данных для машинного обучения.
• Создание моделей машинного обучения
• Обучение и настройка моделей машинного обучения
• Развертывайте в рабочей среде.
• Управляйте и выполняйте мониторинг.
• Автоматизируйте жизненный цикл машинного обучения.

Путь 3. Выбирайте модель, разрабатывайте и развертывайте приложение на базе генеративного искусственного интеллекта.

• Выберите модель и настройте ее.
• Импортируйте модель в Amazon Bedrock.
• Разработайте и разверните приложение на базе генеративного искусственного интеллекта, которое интегрируется с вашим адресом.

Путь 4. Выбирайте и разворачивайте модель на адресе и подключите адрес к приложениям на базе генеративного искусственного интеллекта.

• Выберите модель.
• Разверните модель на адресе SageMaker.
• Подключите адрес к приложениям на базе генеративного искусственного интеллекта.

Модель ценообразования на новый унифицированный интерфейс разработки основана на оплате по факту для Студии и дополнительной оплате расходов на все базовые сервисы. В Студии Unified плата взимается за хранение метаданных, запросы API и управление. Дополнительные сведения см. на странице цен на Amazon SageMaker.

SageMaker предоставляет специально разработанные инструменты управления машинным обучением на протяжении всего жизненного цикла. С помощью Менеджера ролей Amazon SageMaker администраторы могут определить минимальные разрешения за считаные минуты. Сервис Карты моделей Amazon SageMaker облегчает сбор, извлечение и обмен важной информацией о модели от ее создания до развертывания, а Панель управления моделью Amazon SageMaker позволяет получать информацию о поведении производственной модели в одном месте. Подробнее
см. в разделе Управление машинным обучением с Amazon SageMaker.

Определите минимальные разрешения за несколько минут с помощью Менеджера ролей SageMaker. Этот сервис предоставляет базовый набор разрешений для операций машинного обучения и персон с каталогом предварительно созданных политик IAM. Вы можете сохранить базовые разрешения или настроить их в соответствии с вашими конкретными потребностями. С помощью нескольких подсказок вы сможете быстро ввести такие общие элементы управления, как границы доступа к сети и ключи шифрования. Затем SageMaker Role Manager автоматически создаст политику IAM. Вы можете обнаружить созданную роль и связанные с ней политики через консоль AWS IAM. Чтобы еще больше адаптировать разрешения к вашему сценарию использования, прикрепите управляемые политики IAM к роли IAM, которую вы создаете с помощью SageMaker Role Manager. Вы также можете добавить теги, которые помогут идентифицировать роль и упорядочить все сервисы AWS.

Сервис Карты моделей SageMaker помогает централизовать и стандартизировать документацию модели на протяжении всего жизненного цикла машинного обучения, создавая единый источник истины для информации о модели. Карты моделей SageMaker автоматически заполняют данные об обучении для ускорения процесса документирования. Вы также можете добавить такие детали, как назначение модели и цели производительности. Вы можете прикрепить результаты оценки модели к карте модели и обеспечить визуализацию для получения ключевых сведений о производительности модели. Карты моделей SageMaker можно легко передать другим, экспортировав в формат PDF.

Панель управления моделью SageMaker предоставляет полный обзор развернутых моделей и конечных точек, позволяя отслеживать ресурсы и нарушения поведения модели на одной панели. Это позволяет отслеживать поведение модели по четырем параметрам, включая качество данных и модели, а также смещение и дрейф атрибуции характеристик благодаря интеграции с Монитором модели SageMaker и SageMaker Clarify. Панель управления моделью SageMaker также обеспечивает интегрированный опыт настройки и получения предупреждений об отсутствующих и неактивных заданиях мониторинга модели, а также об отклонениях в поведении модели в отношении качества модели, качества данных, смещения смещения и смещения атрибуции характеристик. Вы можете дополнительно проверить отдельные модели и проанализировать факторы, влияющие на производительность модели с течением времени. Затем вы можете проследить за тем, как специалисты по машинному обучению принимают меры по исправлению ситуации.

SageMaker JumpStart помогает быстро и легко начать работу с машинным обучением. В SageMaker JumpStart есть набор решений, которые могут использоваться в большинстве типичных ситуаций и быстро развертываются всего за несколько щелчков мыши. Эти полностью настраиваемые решения демонстрируют применение шаблонов и примеров архитектуры AWS CloudFormation, чтобы вы могли ускорить процесс освоения машинного обучения. SageMaker JumpStart также предоставляет базовые модели и поддерживает развертывание за один щелчок мыши и точную настройку для более чем 150 популярных моделей с открытым исходным кодом, в том числе моделей для преобразования, обнаружения объектов и классификации изображений. 

SageMaker JumpStart предоставляет собственные и общедоступные модели. Список доступных базовых моделей см. в разделе Начало работы с Amazon SageMaker JumpStart.

Вы можете получить доступ к базовым моделям через Студию SageMaker, SDK SageMaker и Консоль управления AWS. Чтобы начать использовать собственные базовые модели, вы должны принять условия продажи на AWS Marketplace.

Нет. Ваши выводы и данные обучения не будут использоваться или передаваться клиентам для обновления или обучения базовой модели, которую SageMaker JumpStart представляет клиентам.

Нет. Собственные модели не позволяют клиентам просматривать вес моделей и сценарии.

Модели можно найти во всех регионах, где доступна Студия SageMaker, но возможность развертывания модели зависит от модели и доступности инстанса требуемого типа инстанса. Информацию о доступности региона AWS и требуемом инстансе можно найти на странице сведений о модели на Торговой площадке AWS.

Для собственных моделей взимается плата за программное обеспечение, установленная поставщиком модели, а также плата за инфраструктуру SageMaker в зависимости от используемого инстанса За общедоступные модели плата за инфраструктуру SageMaker взимается в зависимости от используемого инстанса. Дополнительные сведения см. в разделе цен на Amazon SageMaker и на AWS Marketplace.

Безопасность – главный приоритет AWS, и сервис SageMaker JumpStart разработан для обеспечения защиты. Поэтому SageMaker предоставляет клиентам право собственности и контроль над их контентом с помощью простых и эффективных инструментов. Эти инструменты позволяют определить, где будет храниться контент, обеспечить его безопасность при передаче и хранении, а также управлять доступом пользователей к сервисам и ресурсам AWS.

1. Мы не передаем информацию об обучении клиентов и выводах продавцам моделей на Торговой площадке AWS. Аналогичным образом, артефакты модели продавца (например, вес моделей) не передаются покупателю.
2. SageMaker JumpStart не использует модели клиентов, данные обучения или алгоритмы для улучшения своего сервиса и не передает третьим сторонам данные обучения клиентов и выводы.
3. В SageMaker JumpStart артефакты моделей машинного обучения шифруются при передаче и хранении.
4. Согласно Модели общей ответственности AWS, AWS несет ответственность за защиту глобальной инфраструктуры, на которой работают все сервисы AWS. Вы несете ответственность за контроль над контентом, размещенным в этой инфраструктуре.

Используя модель из Торговой площадки AWS или SageMaker JumpStart, пользователи берут на себя ответственность за качество вывода модели и признают возможности и ограничения, указанные в описании отдельной модели.

SageMaker JumpStart включает более 150 предварительно обученных общедоступных моделей от PyTorch Hub и TensorFlow Hub. Для задач, связанных с компьютерным зрением, например для классификации изображений и обнаружения объектов, вы можете применить такие модели, как RESNET, MobileNet и single-shot detector (SSD). Для текстовых задач, например для классификации предложений и текста, поиска ответов на вопросы, можно использовать модели BERT, RoBERTa и DistilBERT.

С помощью SageMaker JumpStart специалисты по анализу данных и разработчики машинного обучения могут легко обмениваться артефактами машинного обучения, включая блокноты и модели, в рамках своей организации. Администраторы могут создать хранилище, доступное определенному кругу пользователей. Все пользователи, имеющие разрешение на доступ к хранилищу, могут просматривать, находить и использовать модели и блокноты, а также публичное содержимое внутри SageMaker JumpStart. Пользователи могут выбирать артефакты для обучения моделей, развертывания конечных точек и выполнения блокнотов в SageMaker JumpStart.

С помощью SageMaker JumpStart вы можете ускорить выход на рынок при создании приложений машинного обучения. Модели и блокноты, созданные одной командой в вашей организации, могут быть легко переданы другим командам в вашей организации всего несколькими щелчками мыши. Внутренний обмен знаниями и повторное использование активов могут значительно повысить производительность вашей организации.

Да. Администраторы могут контролировать, какие модели Amazon SageMaker JumpStart будут доступны для просмотра и использования в нескольких аккаунтах AWS и с несколькими реестрами пользователей. Подробнее см. в документации.

Набор инструментов для оптимизации логических выводов позволяет легко внедрить новейшие методы оптимизации логических выводов, предоставляя высочайшую экономическую эффективность (SOTA) в Amazon SageMaker и экономя месяцы работы разработчиков. Из самых популярных методов оптимизации, предоставляемых SageMaker, можно выбрать подходящий, заранее запустить задачи оптимизации, провести оценочное тестирование для определения производительности и точности модели, а затем развернуть оптимизированную модель на адресе SageMaker для получения логических выводов. В этом наборе инструментов предусмотрены решения для всех аспектов оптимизации модели, что позволяет больше сосредоточиться на бизнес-целях.

Набор инструментов для оптимизации логических выводов помогает повысить эффективность использования средств и сократить время вывода на рынок приложений, построенных на генеративном искусственном интеллекте. Полностью управляемый набор инструментов для оптимизации моделей предоставляет доступ к новейшим методам оптимизации посредством удобных инструментов. Со временем можно будет легко перейти на лучшее из доступных решений, поскольку набор инструментов постоянно адаптируется к инновационным решениям, новому аппаратному обеспечению и функциям хостинга.

Набор инструментов для оптимизации логических выводов поддерживает такие методы оптимизации, как спекулятивное декодирование, квантование и компиляция. Оптимизацию, которую необходимо добавить в модель, можно выбрать буквально за несколько минут, а Amazon SageMaker выполнит всю сложную работу по закупке аппаратного обеспечения, выбору контейнера глубокого обучения и настройке соответствующих параметров для выполнения задач оптимизации, а затем сохранит артефакты оптимизированной модели в указанном месте S3.

При спекулятивном декодировании можно начать работу с типовой модели, предоставляемой SageMaker, чтобы не создавать собственные типовые модели с нуля и не запрашивать оптимизацию маршрутизации и системного уровня. С помощью квантования можно выбрать тип точности, который необходимо использовать, и запустить задачи оценочного тестирования, чтобы проанализировать соотношение производительности и точности. Amazon SageMaker создаст исчерпывающий оценочный отчет, чтобы можно было выполнить анализ для поиска компромисса между производительностью и точностью. Благодаря функции компиляции, которую можно использовать в наиболее популярных моделях и их конфигурациях, Amazon SageMaker будет автоматически извлекать скомпилированные артефакты модели во время настройки и масштабирования адреса. Это значит, что можно будет уменьшить затраты на аппаратное обеспечение, не запуская задачи компиляции в процессе работы над продуктом.

Набор инструментов для оптимизации логических выводов Amazon SageMaker помогает сократить затраты и время на оптимизацию моделей генеративного ИИ, позволяя сосредоточиться на бизнес-задачах.

SageMaker Canvas – это сервис без кода с интуитивно понятным интерактивным интерфейсом, позволяющим создавать высокоточные прогнозы на основе машинного обучения с использованием ваших данных. SageMaker Canvas позволяет получать доступ и объединять данные из различных источников методом перетаскивания в пользовательском интерфейсе, автоматически очищая и подготавливая данные для минимизации ручной очистки. SageMaker Canvas применяет различные современные алгоритмы машинного обучения для поиска высокоточных прогнозных моделей и предоставляет интуитивно понятный интерфейс для составления прогнозов. Вы можете использовать SageMaker Canvas для создания намного более точных прогнозов в различных бизнес-приложениях и с легкостью взаимодействовать со специалистами по работе с данными и аналитиками на вашем предприятии, предоставляя совместный доступ к моделям, данным и отчетам. Дополнительные сведения о SageMaker Canvas см. в разделе вопросов и ответов об Amazon SageMaker Canvas.

При использовании SageMaker Canvas вы платите по факту использования. SageMaker Canvas позволяет интерактивно получать, исследовать и подготавливать данные из различных источников, обучать высокоточные модели машинного обучения на основе ваших данных и генерировать прогнозы. Счет выставляется за два компонента: плата за сессию, основанная на количестве часов, в течение которых используется SageMaker Canvas или выполняется вход в систему, и плата за обучение модели, основанная на размере набора данных, используемого для построения модели. Подробнее см. на странице цен на Amazon SageMaker Canvas.

Конвейеры Amazon SageMaker помогают создавать полностью автоматизированные рабочие процессы машинного обучения, начиная с подготовки данных и заканчивая развертыванием модели, позволяя увеличить количество используемых в производственной среде моделей машинного обучения до нескольких тысяч. С помощью SageMaker Python SDK можно создавать конвейеры, а также просматривать, выполнять и проверять их в визуальном интерфейсе SageMaker Studio. Конвейеры SageMaker возьмут на себя все управление данными при переходах между шагами, упаковку рецептов кода и оркестрацию выполнения, снижая время подготовки и программирования с нескольких месяцев до нескольких часов. При каждом выполнении рабочего процесса сохраняется информация обо всех обработанных данных и выполненных действиях, что позволяет специалистам по работе с данными и разработчикам систем машинного обучения быстро диагностировать и устранять проблемы.

Дополнительная плата за использование Конвейеров SageMaker не начисляется. Вы оплачиваете только базовые тарифы за вычисления и отдельные сервисы AWS, которые используете в Конвейерах SageMaker.

Дополнительная плата за использование компонентов SageMaker для конвейеров Kubeflow не начисляется. 

«Оператор в контуре управления» — это процесс участия человека во всех этапах жизненного цикла машинного обучения для повышения точности и релевантности моделей. Люди могут выполнять множество задач: от генерации и аннотации данных до анализа и настройки моделей. Вмешательство человека особенно важно для приложений на основе генеративного искусственного интеллекта, когда человек как запрашивает, так и потребляет контент. Поэтому крайне важно, чтобы люди обучали базовые модели выдавать точные, безопасные и релевантные ответы на запросы пользователей. Участие людей может помочь при решении нескольких задач. Во-первых, это создание высококачественных маркированных учебных наборов данных для приложений на основе генеративного искусственного интеллекта посредством обучения под наблюдением (когда человек имитирует стиль, продолжительность и точность реакции модели на запросы пользователя) и обучения с подкреплением на основе обратной связи с человеком (когда человек составляет рейтинг ответов модели и распределяет их по категориям). Во-вторых, это использование данных, генерируемых человеком, при адаптации базовых моделей для решения конкретных задач, либо данных, специфичных для вашей компании и предметной области, для обеспечения релевантности выходных данных модели.

Возможности «оператор в контуре управления» играют важную роль в создании и улучшении приложений на основе генеративного искусственного интеллекта, управляемых базовыми моделями. Высококвалифицированный персонал, обученный в соответствии с инструкциями по выполнению заданий, может предоставлять обратную связь, рекомендации и материалы, а также оценивать такие виды деятельности, как сбор демонстрационных данных для обучения базовых моделей, корректировка и улучшение образцов ответов, доработка моделей на основе данных компаний и отрасли, защита от токсичности и предвзятости и многое другое. Таким образом, возможности «оператор в контуре управления» способны повысить точность и производительность модели. 

Amazon SageMaker Ground Truth предлагает самый полный набор возможностей «оператор в контуре управления». Amazon SageMaker Ground Truth можно использовать двумя способами: по принципу самообслуживания и под управлением AWS. В режиме самообслуживания аннотаторы данных, авторы контента и инженеры подсказок (штатные, управляемые поставщиком или из числа представителей общественности) могут использовать наш пользовательский интерфейс с небольшим объемом кода для ускорения выполнения задач типа «оператор в контуре данных», а также гибко создавать собственные рабочие процессы и управлять ими. В случае использования сервиса под управлением AWS (SageMaker Ground Truth Plus) мы берем на себя самую трудную работу, включая подбор персонала, подходящего для вашего варианта использования, и управление им. SageMaker Ground Truth Plus разрабатывает и персонализирует комплексный рабочий процесс (включая всестороннее обучение персонала и обеспечение качества) и предоставляет в ваше распоряжение квалифицированную рабочую группы под управлением AWS, которая обучена выполнению конкретных задач и отвечает вашим требованиям к качеству, безопасности и соблюдению нормативных требований. 

SageMaker Data Wrangler сокращает время, необходимое для сбора и подготовки данных для машинного обучения. С помощью единого интерфейса SageMaker Studio можно просматривать и импортировать данные из Amazon S3, Amazon Athena, Amazon Redshift, AWS Lake Formation, Amazon EMR, Snowflake и Databricks всего за несколько шагов. Вы также можете запрашивать и импортировать сведения, которые передаются из более чем 50 источников и регистрируются в каталоге данных AWS Glue с помощью Amazon AppFlow. SageMaker Data Wrangler автоматически загрузит, агрегирует и отобразит исходные данные. После импорта данных в SageMaker Data Wrangler вы можете увидеть автоматически созданные сводки столбцов и гистограммы. Затем вы можете глубже понять свои данные и выявить потенциальные ошибки с помощью отчета SageMaker Data Wrangler Data Quality and Insights, который предоставляет сводную статистику и предупреждения о качестве данных. Вы также можете запустить анализ смещения, поддерживаемый SageMaker Clarify, непосредственно из SageMaker Data Wrangler для обнаружения потенциального смещения во время подготовки данных. После этого вы можете использовать готовые преобразования SageMaker Data Wrangler для подготовки данных. Когда подготовка данных будет завершена, вы можете создать полностью автоматизированные рабочие процессы машинного обучения с помощью конвейеров Amazon SageMaker или импортировать эти сведения в Хранилище функций Amazon SageMaker.

Вы платите за все ресурсы для вычислений, хранения и обработки данных, применяемые для машинного обучения при работе с SageMaker Data Wrangler. Все подробности ценообразования на SageMaker Data Wrangler можно найти здесь. В рамках Уровня бесплатного пользования AWS работу с SageMaker Data Wrangler можно также начать бесплатно.

Хранилище функций Amazon SageMaker – это полностью управляемая специализированная платформа для хранения, совместного использования признаков для моделей машинного обучения и управления ими. Функции можно обнаруживать и совместно применять для последующего использования моделями и командами при помощи безопасного доступа и контроля, в том числе в аккаунтах AWS. Хранилище функций Amazon SageMaker поддерживает как интерактивные, так и офлайн-функции для вывода выводов в реальном времени, а также пакетного вывода и обучения. Оно также управляет пакетными и потоковыми конвейерами проектирования объектов, чтобы уменьшить дублирование при создании объектов и повысить точность модели.

В рамках Уровня бесплатного пользования AWS работу с Хранилищем функций SageMaker можно начать бесплатно. При работе с Хранилищем функций SageMaker вы оплачиваете операции записи в хранилище признаков, а также операции чтения и записи в сетевое хранилище признаков. Сведения о ценах см. на странице цен Amazon SageMaker.

Amazon SageMaker предоставляет два предложения для маркировки данных: Amazon SageMaker Ground Truth Plus и Amazon SageMaker Ground Truth. Оба варианта позволяют определить необработанные данные, например образы, текстовые файлы и видео, а также добавить информативные метки для создания высококачественных обучающих наборов данных для моделей машинного обучения. Дополнительные сведения см. в разделе Маркировка данных Amazon SageMaker.

Блокноты Студии SageMaker – это готовые блокноты Jupyter, которые можно быстро развернуть. Лежащие в основе сервиса вычислительные ресурсы полностью эластичны, что позволяет просто увеличивать или уменьшать их объем, причем любые изменения происходят автоматически в фоновом режиме и не прерывают работу. SageMaker также позволяет делиться блокнотами одним щелчком мыши. Вы можете легко делиться блокнотами с другими – они получат точно такой же блокнот, сохраненный в том же месте.

В блокнотах Студии SageMaker вы можете выполнить вход с помощью корпоративных данных для доступа, используя Центр идентификации IAM. Совместное использование блокнотов в пределах одной команды и между несколькими командами очень легко организовать благодаря автоматическому отслеживанию всех зависимостей для выполнения блокнота по всем рабочим образам, которые инкапсулируются в блокноты при предоставлении совместного доступа.

Нет. Вы можете создать и запустить несколько блокнотов на одном вычислительном инстансе. Вы платите только за используемые вычислительные ресурсы, а не за отдельные элементы. Более подробные сведения см. в нашем руководстве по учету.

Помимо блокнотов, вы также можете запускать терминалы и интерактивные оболочки студии SageMaker – и все это на одном вычислительном инстансе. Каждое приложение работает внутри контейнера или образа. Студия SageMaker предоставляет несколько встроенных образов, специально созданных и настроенных для задач аналитики данных и машинного обучения.

Вы можете отслеживать и отключать ресурсы, используемые вашими блокнотами Студии SageMaker, через визуальный интерфейс Студии SageMaker Studio и Консоль управления AWS. Дополнительную информацию см. в документации.

Нет, плата за создание или настройку домена Студии SageMaker, а также добавление, обновление и удаление профилей пользователей не взимается.

Будучи администратором, вы можете просмотреть список детализированных платежей за SageMaker, включая Студию SageMaker, в консоли выставления счетов AWS. В консоли управления AWS для SageMaker выберите «Сервисы» в верхнем меню, введите «Оплата» в поле поиска и выберите «Оплата» в раскрывающемся списке, затем выберите «Счета» на левой панели. В разделе «Сведения» вы можете щелкнуть SageMaker, чтобы развернуть список регионов и перейти к детализированным расходам.

Да. SageMaker может автоматически распределять модели глубокого обучения и крупные обучающие наборы по инстансам AWS с графическим процессором за время, во много раз меньшее, чем требуется на создание и оптимизацию стратегий распределения вручную. SageMaker применяет два метода распределенного обучения: параллелизм данных и параллелизм моделей. Параллелизм данных применяется для ускорения обучения: данные разбиваются на равные сегменты с последующей одновременной обработкой на разных инстансах с графическим процессором. Параллелизм моделей удобен в тех случаях, когда модель слишком велика для хранения на одном графическом процессоре: такая модель разделяется на несколько меньших частей и обрабатывается на нескольких графических процессорах. Вам нужно лишь добавить пару строк кода в скрипты обучения на PyTorch и TensorFlow, чтобы SageMaker автоматически применил параллелизм данных или параллелизм моделей, что позволит быстрее создавать и развертывать модели. SageMaker определит оптимальный метод разделения модели, используя алгоритмы секционирования графов, чтобы добиться примерно равного времени обработки на каждом графическом процессоре с минимальным взаимодействием между инстансами. Также SageMaker оптимизирует задания по распределенному обучению с помощью алгоритмов максимально эффективного использования вычислительных и сетевых ресурсов AWS, чтобы добиться почти линейного роста эффективности при масштабировании и выполнять обучение быстрее, чем с помощью реализаций вручную с открытым исходным кодом.

Управляемое спотовое обучение поддерживается во всех регионах, в которых на данный момент доступен SageMaker.

С SageMaker для обучения моделей можно использовать пакеты данных любого размера.

В настоящий момент нет. Наибольшего эффекта от автоматической настройки модели можно добиться только в рамках SageMaker.

В данный момент в качестве алгоритма для настройки гиперпараметров используется специальным образом настроенный алгоритм байесовской оптимизации. Его задача – оптимизировать в процессе настройки заданные пользователем объективные метрики. А точнее, он проверяет объективные метрики завершенных заданий по обучению и использует полученные результаты для изменения комбинации гиперпараметров для следующего задания по обучению.

Нет. Влияние различных гиперпараметров на поведение модели зависит от множества факторов. Из-за этого нельзя достоверно заявлять, что один из них важнее других и настраивать следует именно его. Для встроенных в SageMaker алгоритмов мы указываем, является ли тот или иной гиперпараметр настраиваемым.

Продолжительность настройки гиперпараметров зависит от множества факторов, включая объем используемых данных, базовый алгоритм и значения гиперпараметров. Помимо этого пользователи имеют возможность выбрать количество одновременно выполняемых обучающих задач и их общее количество. Все эти факторы влияют на продолжительность настройки гиперпараметра.

В настоящий момент нет. На данный момент пользователю необходимо указывать единственную целевую метрику для оптимизации или изменить код алгоритма таким образом, чтобы он порождал новую метрику, которая представляет собой среднее взвешенное между двумя и более полезными метриками. Процесс настройки необходимо будет оптимизировать в сторону этой целевой метрики.

За саму настройку гиперпараметров плата не взимается. Плата начисляется за выполнение заданий по обучению, которые будут запущены процессом настройки гиперпараметров, согласно ценам на обучение моделей.

SageMaker автопилот автоматизирует все задачи, входящие в типичный рабочий поток машинного обучения, такие как предварительная обработка компонентов, выбор алгоритма и настройка гиперпараметров, уделяя особое внимание примерам использования классификации и регрессии. Автоматическая настройка модели, в свою очередь, предназначена для настройки моделей независимо от их базовой структуры – встроенные алгоритмы, платформы глубокого обучения или настраиваемые контейнеры. В качестве платы за гибкость применения вам придется вручную выбрать определенный алгоритм, гиперпараметры для настройки и диапазоны поиска.

Стимулированное обучение – это техника машинного обучения, позволяющая агенту учиться в интерактивной среде методом проб и ошибок, используя обратную связь по своим действиям и взаимодействиям.

Да. В SageMaker можно обучать не только контролируемые и неконтролируемые модели, но и модели стимулированного обучения.

Несмотря на то что и в контролируемом, и в стимулированном обучении используется сопоставление входных и выходных данных, в отличие от контролируемого обучения, где агенту в качестве обратной связи предоставляется набор шагов для выполнения задачи, в стимулированном обучении используется обратная связь с задержкой, когда поощрительные сигналы оптимизируются для достижения долгосрочной цели посредством выполнения последовательности действий.

В то время как целью техник, используемых в контролируемом обучении, является поиск правильного ответа на основе существующих в учебных данных шаблонов, техники неконтролируемого обучения преследуют цель найти сходства и различия между точками данных. Техники стимулированного обучения (RL), в отличие от этого, призваны научить, как достичь нужного результата даже, когда не совсем понятно, что следует для этого делать. Следовательно, стимулированное обучение больше подходит для обеспечения работы интеллектуальных приложений, когда агент может принимать автономные решения: робототехника, автоматизированные транспортные средства, системы отопления, вентиляции и кондиционирования воздуха, промышленные системы контроля и управления и многое другое.

Система стимулированного обучения Amazon SageMaker поддерживает несколько разных сред для обучения соответствующих моделей. Можно использовать такие сервисы AWS, как AWS RoboMaker, среды с открытым исходным кодом или пользовательские среды, разработанные с помощью интерфейсов Open AI Gym, а также коммерческие среды моделирования, такие как MATLAB и SimuLink.

Нет, система стимулированного обучения SageMaker включает наборы инструментов для стимулированного обучения, такие как Coach и Ray RLLib, предлагающие реализации алгоритмов для агентов стимулированного обучения (DQN, PPO, A3C и многие другие).

Да, вы можете использовать собственные библиотеки и реализации алгоритмов стимулированного обучения, помещенные в контейнеры Docker, в системе стимулированного обучения SageMaker.

Да. Можно даже выбрать гетерогенный кластер, где обучение проходит в инстансе графического процессора, а моделирование – в нескольких инстансах ЦП.

Вы можете снизить количество инстансов адреса асинхронных логических выводов SageMaker до нуля, когда не обрабатываете запросы активно, и сократить расходы. Необходимо определить политику масштабирования, которая меняется согласно пользовательской метрике ApproximateBacklogPerInstance, и установить значение MinCapacity равным нулю. Пошаговые инструкции см. в разделе Автомасштабирование асинхронного адреса в руководстве разработчика. 

Бессерверный вывод Amazon SageMaker – это специализированный вариант бессерверного предоставления моделей, который упрощает развертывание и масштабирование моделей ML. Адреса Бессерверного вывода SageMaker автоматически запускают вычислительные ресурсы и масштабируют их в нужном направлении в зависимости от трафика, исключая необходимость в выборе типа инстанса, запуске распределенных ресурсов или управлении масштабированием. Дополнительно вы можете указать требования к памяти для вашего адреса Serverless Inference. Вы платите только за продолжительность выполнения кода логического вывода и объем обработанных данных, а не за периоды простоя.

При использовании бессерверных адресов по запросу, если адрес какое-то время не получает трафик, а затем внезапно получает новые запросы, может потребоваться некоторое время, чтобы адрес выделил вычислительные ресурсы для обработки запросов. Это называется холодным стартом. Холодный старт также может произойти, если количество одновременных запросов превышает текущее использование одновременных запросов. Время холодного старта зависит от размера модели, времени загрузки модели и времени запуска контейнера.

Чтобы уменьшить вариативность профиля задержки, вы можете дополнительно включить функцию Provisioned Concurrency для бессерверных адресов. Благодаря Provisioned Concurrency ваши бессерверные адреса всегда готовы и могут мгновенно обслуживать большие объемы трафика без холодного старта.

Как и для бессерверного получения логических выводов по требованию, при использовании функции Provisioned Concurrency платить нужно только за объем вычислительных ресурсов, использованных для обработки запросов на получение логических выводов (плата начисляется по миллисекундам), и объем обработанных данных. Вы также платите за использование Provisioned Concurrency в зависимости от настроенной памяти, продолжительности выделенной памяти и степени задействования функции Provisioned Concurrency. Подробнее см. на странице цен на Amazon SageMaker.

Рекомендательная система Amazon SageMaker для логического вывода сокращает время, требующееся для запуска моделей машинного обучения в работу, посредством автоматизации тестирования и настройки производительности моделей в ML-инстансах SageMaker. Теперь вы можете использовать Рекомендательную систему SageMaker для логического вывода для развертывания своей модели на адресе, который обеспечивает наилучшую производительность и сводит расходы к минимуму. Приступить к работе с SageMaker Inference Recommender можно за считанные минуты, выбрав тип инстанса и получив рекомендации по оптимальным конфигурациям адреса в течение нескольких часов, исключая недели, требующиеся на тестирование и настройку вручную. При использовании SageMaker Inference Recommender вы платите только за ML-инстансы SageMaker, которые используются во время тестирования нагрузок. Никакие дополнительные платы не начисляются.

Нет. В настоящий момент мы обеспечиваем поддержку только для одной модели на адрес.

В настоящий момент мы обеспечиваем поддержку только адресов в реальном времени.

Мы обеспечиваем поддержку всех регионов, которые поддерживаются в Amazon SageMaker, кроме регионов AWS Китай.

Да. Мы обеспечиваем поддержку всех типов контейнеров. Для Amazon EC2 Inf1, в зависимости от чипа AWS Inferentia, требуется получение артефакта скомпилированной модели с использованием компилятора Neuron или Amazon SageMaker Neo. После получения скомпилированной модели для целевого объекта Inferentia и связанного с ней URI образа контейнера можно использовать Рекомендательную систему SageMaker для логического вывода с целью тестирования производительности для различных типов инстансов Inferentia.

Нет. SageMaker управляет вычислительной инфраструктурой от имени клиента, что позволяет выполнять проверку работоспособности, применять обновления безопасности и выполнять другие рутинные работы по обслуживанию. Кроме того, сервис дает возможность развертывать артефакты моделей обучения с собственным кодом логического вывода в своей среде хостинга.

Хостинг SageMaker автоматически масштабирует производительность на основании потребностей приложения, используя Application Auto Scaling. Сервис также позволяет вручную изменить количество и тип инстансов при редактировании конфигурации адреса, не останавливая работу системы.

SageMaker отправляет метрики производительности в Amazon CloudWatch. Это позволяет отслеживать метрики, устанавливать предупреждения и автоматически реагировать на изменения в рабочем трафике. Кроме того, SageMaker записывает журналы в Журналы Amazon CloudWatch, что дает возможность отслеживать и устранять проблемы рабочего развертывания.

SageMaker может разместить любую модель, которая соответствует задокументированной спецификации для образов Docker, используемых для логического вывода. Сюда входят модели, созданные из артефактов моделей SageMaker и кода логического вывода.

SageMaker рассчитан на масштабирование для обеспечения большого количества транзакций в секунду. Точное количество определяется конкретной моделью, а также количеством и типом инстансов, на которых выполнено развертывание.

Пакетное преобразование позволяет выполнять прогнозирование на основе крупных или малых пакетов данных. Вам не придется разбивать набор данных на несколько фрагментов или управлять адресами реального времени. С помощью простого API можно запрашивать прогнозы для большого количества записей данных, а затем быстро и просто преобразовывать данные.

Менеджер периферии SageMaker упрощает оптимизацию, защиту, мониторинг и обслуживание моделей машинного обучения на большом числе периферийных устройств (интеллектуальные камеры, роботы, персональные компьютеры и мобильные устройства). Менеджер периферии SageMaker помогает разработчикам машинного обучения работать с моделями машинного обучения на множестве периферийных устройств в любом масштабе.

Для начала работы с SageMaker Edge Manager вам нужно скомпилировать и упаковать обученные модели машинного обучения для использования в облаке, зарегистрировать устройства и подготовить их с помощью SageMaker Edge Manager SDK. Для подготовки модели к развертыванию SageMaker Edge Manager компилирует модель для целевого периферийного оборудования с помощью SageMaker Neo. Когда завершается компиляция модели, SageMaker Edge Manager подписывает ее ключом, созданным в AWS, а затем создает готовый к развертыванию пакет, содержащий модель, необходимую среду выполнения и учетные данные. На стороне устройства необходимо выполнить регистрацию в SageMaker Edge Manager, затем загрузить SageMaker Edge Manager SDK и выполнить инструкции по установке агента SageMaker Edge Manager на каждом из устройств. Обучающий блокнот содержит пример с пошаговым описанием для процесса подготовки моделей и подключения к периферийным устройствам с помощью SageMaker Edge Manager.

Менеджер периферии SageMaker поддерживает устройства на базе наиболее распространенных ЦП (ARM, x86) и графических процессоров (ARM, Nvidia) с операционными системами Linux и Windows. Со временем функциональные возможности Менеджера периферии SageMaker будут дополнены для поддержки дополнительных встраиваемых процессоров и мобильных платформ, которые уже поддерживаются в SageMaker Neo.

Нет, не нужно. Вы можете обучить свои модели любым другим способом или выбрать предварительно обученную моделью из открытого источника или от любого поставщика моделей.

Да, нужно. SageMaker Neo преобразует и скомпилирует модели в исполняемые фалы, которые вы сможете легко упаковать и развернуть на периферийных устройствах. После развертывания пакета модели агент Менеджера периферии SageMaker распакует его и запустит модель на устройстве.

Менеджер периферии SageMaker сохраняет пакет модели в указанной вами корзине Amazon S3. Вы можете использовать возможность обновления по беспроводной сети (OTA), предоставляемую сервисом AWS IoT Greengrass, или любой другой механизм развертывания, чтобы развернуть пакет модели из корзины S3 на устройства.

Neo dlr представляет собой среду выполнения с открытым исходным кодом, которая выполняет только модели, скомпилированные в сервисе SageMaker Neo. В отличие от dlr с открытым исходным кодом, пакет SDK Менеджера периферии SageMaker содержит агент устройства корпоративного уровня, который обеспечивает дополнительные возможности для безопасности, управления моделями и обслуживания моделей. SDK Менеджера периферии SageMaker подходит для развертывания продукта в большом масштабе.

Менеджер периферии SageMaker и AWS IoT Greengrass могут совместно работать в вашем решении для Интернета вещей. Упаковав модель машинного обучения с помощью Менеджера периферии SageMaker, вы сможете применить возможность обновления по беспроводной сети AWS IoT Greengrass для развертывания пакета модели на устройствах. AWS IoT Greengrass позволяет удаленно отслеживать устройства Интернета вещей, а Менеджер периферии SageMaker помогает контролировать и поддерживать модели машинного обучения на этих устройствах.

AWS предлагает самые широкие и глубокие возможности для запуска моделей на периферийных устройствах. У нас есть сервисы для поддержки широкого набора сценариев использования, включая машинное зрение, распознавание голоса и профилактическое обслуживание.

Если ваша компания собирается применять машинное зрение на камерах и других периферийных устройствах, вы можете использовать AWS Panorama. AWS Panorama предоставит готовые к развертыванию приложения машинного зрения для периферийных устройств. Чтобы начать работу с AWS Panorama, достаточно лишь войти в облачную консоль, указать нужную модель для Amazon S3 или SageMaker, а затем реализовать бизнес-логику в формате скрипта Python. AWS Panorama скомпилирует эту модель для целевого устройства и создаст пакет приложения, который вы сможете всего в несколько щелчков мыши развернуть на соответствующих устройствах. Кроме того, независимые поставщики ПО смогут создать собственные приложения на основе AWS Panorama SDK, а Device SDK позволит производителям устройств сертифицировать свои устройства для работы с AWS Panorama.

Клиенты, которым нужны собственные модели или более детальный контроль за признаками модели, могут воспользоваться Менеджером периферии SageMaker. Управляемый Менеджер периферии SageMaker позволяет подготавливать, выполнять, контролировать и обновлять модели машинного обучения на большом числе периферийных устройств (интеллектуальные камеры, динамики, роботы и т. п.) для использования таких возможностей, как обработка естественного языка, обнаружение мошенничества и профилактическое техническое обслуживание. SageMaker Edge Manager предназначен для разработчиков машинного обучения для периферийных устройств, которым нужен более полный контроль за моделями, например для создания собственных признаков или отслеживания отклонений. Любой разработчик машинного обучения для периферийных устройств может работать с SageMaker Edge Manager через консоль SageMaker и SageMaker API. Менеджер периферии SageMaker позволяет применить всю мощь SageMaker для создания, обучения моделей и их развертывания на периферийных устройствах через облако.

Менеджер периферии SageMaker доступен в шести регионах AWS: Восток США (Северная Вирджиния), Восток США (Огайо), Запад США (Орегон), Европа (Ирландия), Европа (Франкфурт) и Азиатско-Тихоокеанский регион (Токио). Подробнее см. в списке региональных сервисов AWS.

SageMaker Neo позволяет обучить модели машинного обучения однократно, а затем запускать их где угодно в облаке и на периферии. SageMaker Neo автоматически оптимизирует модели, созданные на базе популярных платформ глубокого обучения, которые можно использовать для развертывания на нескольких аппаратных платформах. Оптимизированные модели выполняются до 25 раз быстрее и потребляют менее десятой части ресурсов по сравнению со стандартными моделями машинного обучения.

Чтобы начать работу с SageMaker Neo, необходимо войти на консоль SageMaker, выбрать обученную модель, составить модели, следуя примеру, а затем развернуть полученную модель на целевой аппаратной платформе.

SageMaker Neo состоит из двух основных компонентов: компилятора и среды выполнения. Во-первых, компилятор SageMaker Neo считывает модели, экспортированные разными платформами. Затем он преобразует функции и операции платформы в промежуточное представление, которое не зависит от платформы. Затем компилятор выполняет серию оптимизаций, создает двоичный код для оптимизированных операций и записывает их в общую библиотеку объектов. Компилятор также сохраняет определение и параметры модели в отдельные файлы. Во время выполнения среда выполнения SageMaker Neo загружает артефакты, созданные компилятором: определение модели, параметры, а также общую библиотеку объектов для выполнения модели.

Нет. Для обученных в любом месте моделей можно применить SageMaker Neo, чтобы оптимизировать их для инстансов машинного обучения SageMaker или устройств с поддержкой AWS IoT Greengrass.

В настоящее время SageMaker Neo поддерживает наиболее популярные модели машинного обучения, которые лежат в основе приложений компьютерного зрения и наиболее популярные модели дерева принятия решений, которые сегодня используются в SageMaker. SageMaker Neo оптимизирует производительность моделей AlexNet, ResNet, VGG, Inception, MobileNet, SqueezeNet и DenseNet, обученных в MXNet и TensorFlow, а также обученных в XGBoost моделей классификации и моделей на основе алгоритма Random Cut Forest.

Списки поддерживаемых облачных инстансов, периферийных устройств и версий платформ можно найти в документации по SageMaker Neo.

Список поддерживаемых регионов приведен в списке региональных сервисов AWS.

Тарифы Savings Plans можно приобрести в любом аккаунте группы AWS Organization и консолидированной оплаты. По умолчанию экономия, предоставляемая тарифами Savings Plans, распространяется на все аккаунты в рамках группы AWS Organization и консолидированной оплаты. Однако вы также можете ограничить действие экономичных планов только аккаунтом, в котором они были приобретены.