Amazon SageMaker

Машинное обучение для любого разработчика и специалиста по работе с данными.

Amazon SageMaker предоставляет каждому разработчику и аналитику данных возможность быстро создавать, обучать и развертывать модели машинного обучения. Amazon SageMaker – это полностью управляемый сервис, который полностью охватывает процесс машинного обучения, включая маркировку и подготовку данных, выбор алгоритма, обучение алгоритма, адаптацию и оптимизацию для развертывания, составление прогнозов и принятие мер. Вы получаете возможность развертывать в своей продуктивной среде модели гораздо быстрее и с гораздо меньшими затратами и усилиями.

РАЗРАБОТКА

Сбор и подготовка обучающих данных

Маркировка данных и использование готовых блокнотов для решения стандартных проблем

Выбор и оптимизация алгоритма машинного обучения

Использование моделей и алгоритмов с Marketplace, а также встроенных высокопроизводительных алгоритмов

ОБУЧЕНИЕ

Настройка сред для обучения и управление ими

Обучение в инфраструктуре высочайшей производительности одним нажатием

Обучение и настройка модели

Однократное обучение, многократное использование и оптимизация модели

РАЗВЕРТЫВАНИЕ

Развертывание модели в продуктивной среде

Развертывание методом 1-click

Масштабирование продуктивной среды и управление ею

Полная управляемость и автоматическое масштабирование с экономией 75 % затрат


Избранные клиенты

logo-statefarm
logo-intuit
logo-Siemens
logo-nfl
logo-Expedia-Group
logo-liberty_mutual
logo-FI
logo-coinbase
logo-roche
logo-convoy
logo-korean_air
change-healthcare-logo-white

Сбор и подготовка обучающих данных

Быстрая маркировка обучающих данных

Amazon SageMaker Ground Truth помогает быстро создавать в высшей степени точные обучающие наборы данных и управлять ими. Ground Truth обеспечивает удобный доступ к общедоступным и частным специалистам по маркировке данных и предоставляет им готовые рабочие процессы и интерфейсы для выполнения стандартных задач маркировки. Кроме того, Ground Truth анализирует выполненные специалистами маркировки и учится составлять качественные автоматические аннотации, что способствует значительному снижению затрат на маркировку.

Подробнее »
pull-70p
infographic-Ground_Truth
transparent-img-code
Размещенные блокноты

Полностью управляемые блокноты Jupyter с десятками готовых рабочих процессов и
примеров, упрощающих изучение и визуализацию обучающих данных.

Выберите и оптимизируйте свой алгоритм машинного обучения

Amazon SageMaker автоматически настраивает и оптимизирует алгоритмы TensorFlow, Apache MXNet, PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras и Gluon. Распространенные алгоритмы машинного обучения интегрируются в систему и настраиваются так, чтобы обеспечить необходимые показатели масштабируемости, скорости и точности. Для этого используется более сотни дополнительных предварительно обученных моделей и алгоритмов, которые доступны на AWS Marketplace. Кроме того, вы можете разместить в контейнере Docker и использовать любой другой алгоритм или платформу.

logo-tesnorflow
logo-mxnet
logo-pytorch
logo-chainer
logo-keras
logo-gluon
logo-horovod
pull-10x

Настройка сред обучения и управление ими

SageMaker_Chart_3

Обучение одним нажатием

Теперь для начала обучения вашей модели достаточно одного нажатия. Amazon SageMaker выполняет все необходимые операции с базовой инфраструктурой, чтобы обеспечить удобное масштабирование наборов данных до размеров, исчисляемых петабайтами.

Инстансы Amazon EC2 P3 предоставляют 8 графических процессоров NVIDIA Tesla V100, оптимизированных для максимально быстрого распределенного машинного обучения в облаке.
ИНСТАНС ГРАФИЧЕСКОГО ПРОЦЕССОРА МАКСИМАЛЬНОЙ ПРОИЗВОДИТЕЛЬНОСТИ
в облаке
25 Гбит/с
пропускная способность сети
64 МАСШТАБИРУЕМЫХ ВИРТУАЛЬНЫХ ЦП
Процессор Intel® Xeon® Skylake c AVX-512
ПАМЯТЬ 16 ГБ
на графический процессор

Оптимальная среда для запуска TensorFlow

Оптимизации AWS TensorFlow обеспечивают эффективное, практически линейное масштабирование на сотнях графических процессоров, обеспечивая возможность работы в облачных масштабах без значительной нагрузки на вычислительные ресурсы. Все это позволяет обучать более точные и более сложные модели в гораздо более сжатые сроки.

STOCK TENSORFLOW
img-65p
TENSORFLOW С ОПТИМИЗАЦИЕЙ ДЛЯ AWS
img-90p

Эффективное масштабирование с 256 графическими процессорами

AWS SageMaker — это оптимальная среда для использования TensorFlow в облаке
ПОЛНОСТЬЮ УПРАВЛЯЕМЫЙ СЕРВИС
обучение и размещение
ПРАКТИЧЕСКИ ЛИНЕЙНОЕ МАСШТАБИРОВАНИЕ
на сотнях графических процессоров
СНИЖЕНИЕ РАСХОДОВ НА ЛОГИЧЕСКИЕ ВЫВОДЫ НА 75 %
благодаря Amazon Elastic Inference

Настройка и оптимизация модели

Автоматическая настройка модели

В работе компонента Automatic Model Tuning машинное обучение используется для быстрой настройки максимально точной работы вашей модели. Эта возможность позволяет избежать трудоемкого процесса настройки параметров вручную методом проб и ошибок. Вместо этого в ходе многочисленных тренировочных прогонов компонент Automatic Model Tuning выполняет оптимизацию гиперпараметров, обнаруживая интересные закономерности в ваших данных и анализируя, как совокупность этих закономерностей влияет на точность данных. Вы экономите дни и даже недели, а качество обученной модели стабильно растет.

Однократное обучение и многократное использование

Amazon SageMaker Neo позволяет обучить модель один раз, а затем развертывать ее где угодно. С помощью технологий машинного обучения SageMaker Neo автоматически оптимизирует любую обученную модель, созданную на распространенной платформе, для заданной вами аппаратной платформы без ущерба для точности. После этого модель можно развернуть в инстансах EC2 и SageMaker или на любом периферийном устройстве со средой выполнения Neo, в том числе на устройствах AWS Greengrass.

Подробнее »

pull-2x
pull-1-10
img-neo

Развертывание моделей и управление ими в продуктивной среде

Развертывание в продуктивной среде одним нажатием

Amazon SageMaker упрощает развертывание обученной модели в продуктивной среде (это можно сделать одним нажатием), так что вы можете сразу начать генерировать прогнозы (делать логические выводы) на основе данных, поступающих в режиме реального времени, или пакетных данных. Ваша модель выполняется в автомасштабируемых кластерах инстансов машинного обучения Amazon SageMaker, расположенных в нескольких зонах доступности, что позволяет обеспечить как высокую производительность, так и высокую доступность. Помимо этого, Amazon SageMaker имеет встроенные возможности проведения А/В-тестирования модели, которые позволяют поэкспериментировать с различными версиями для достижения наилучших результатов.

Выполнение моделей на периферийных устройствах

AWS Greengrass упрощает развертывание моделей, обученных в Amazon SageMaker, на периферийных устройствах для составления логических выводов. AWS Greengrass позволяет подключенным устройствам выполнять функции AWS Lambda, синхронизировать данные устройств и безопасно взаимодействовать с другими устройствами даже без подключения к Интернету.

pull-75p

Используйте Amazon Elastic Inference для удобного внедрения механизмов эластичного ускорения графических процессоров в свои инстансы Amazon SageMaker, чтобы сократить свои затраты на глубокое обучение до 75 %. В большинстве случаев для составления логических выводов полный инстанс графического процессора избыточен. Кроме того, бывает сложно адаптировать требования вашего приложения глубокого обучения к графическому процессору, ЦП и памяти, используя инстанс только одного типа. Elastic Inference позволяет выбрать тип инстанса, который максимально соответствует общим требованиям вашего приложения к ЦП и памяти, а затем отдельно настроить подходящее значение ускорения графического процессора для составления логических выводов.

Подробнее »

img-TFLOPS

ПОДДЕРЖКА

logo-tesnorflow
logo-mxnet

Истории успеха клиентов

Создавайте модели будущего, используя полностью управляемые системы стимулированного обучения

small-RL-icon

Используйте стимулированное обучение (RL) для создания сложных моделей, способных достигать определенных результатов, без необходимости предварительной маркировки обучающих данных. Стимулированное обучение используется в тех случаях, когда модели «не у кого» и «не у чего» учиться, однако известен оптимальный результат: например, научиться водить автомобиль или торговать на бирже с выгодой. Алгоритмы стимулированного обучения не предполагают анализ данных за прошлые периоды – вместо этого в симуляторе выполняются определенные действия и с помощью условных вознаграждений и штрафов формируется правильная модель поведения.

Система стимулированного обучения Amazon SageMaker включает встроенные, полностью управляемые алгоритмы стимулированного обучения. SageMaker поддерживает стимулированное обучение на многих платформах, включая TensorFlow и MXNet, а также пользовательских платформах, специально разработанных для стимулированного обучения, например Intel Coach и Ray RLlib.

Система стимулированного обучения Amazon SageMaker также поддерживает множество сред стимулированного обучения, включая полнофункциональные двухмерные и трехмерные физические среды, коммерческие среды моделирования (MATLAB и Simulink) и все, что поддерживает интерфейс с открытым исходным кодом OpenAI Gym, включая среды собственной разработки. Кроме того, SageMaker RL позволяет обучать модели, используя виртуальные трехмерные среды, которые были созданы в Amazon Sumerian и AWS RoboMaker. Это означает, что можно моделировать все что угодно: от рекламных и финансовых систем до промышленных средств управления, робототехники и автономных роботов-автомобилей.

Открытость и гибкость

Машинное обучение по вашим правилам

Технология машинного обучения быстро развивается, и вам нужно сохранять гибкость, чтобы не терять доступ к широкому ассортименту платформ и инструментов. Благодаря Amazon SageMaker можно использовать встроенные контейнеры для любой популярной платформы или использовать собственную платформу. В любом случае Amazon SageMaker полностью берет на себя управление базовой инфраструктурой, необходимой для разработки, обучения и развертывания моделей.

Более высокая производительность на периферии

Возможности SageMaker Neo также доступны любому разработчику в рамках проекта с открытым исходным кодом Neo. Мы уверены, что предоставление кому угодно возможности выполнять модели где угодно – важный шаг на пути реализации полного потенциала машинного обучения. Продолжая работать над созданием продуктов с открытым исходным кодом, поставщики оборудования могут усовершенствовать Neo, предложив новые оптимизации и адаптировав аппаратную экосистему в целом для машинного обучения.

SageMaker адаптируется под ваши рабочие процессы

Amazon SageMaker состоит из нескольких отдельных компонентов: Ground Truth, Notebooks, Training, Neo и Hosting. Взаимодействие этих компонентов обеспечивает комплексный сервис машинного обучения. С другой стороны, эти компоненты можно использовать по отдельности, дополняя существующие процессы машинного обучения или обеспечивая поддержку моделей, которые выполняются в вашем ЦОД или на периферии.

Обучение и ускорение

ImgHead_Silverstone_TEST_Car_3

AWS DeepRacer

Полностью автономный гоночный робот-автомобиль в масштабе 1/18. В нем есть все необходимое для освоения принципов стимулированного обучения на примере автопилота.

Подробнее »

AWS DeepLens

Изучайте компьютерное зрение, используя предложенные проекты, руководства и примеры из реальной жизни, ведь в вашем распоряжении – первая в мире видеокамера для разработчиков с поддержкой глубокого обучения.

Подробнее »

Обучение и сертификация AWS Machine Learning

Университет AWS Machine Learning. Структурированные курсы по машинному обучению, основанные на материалах, которые используются для обучения разработчиков Amazon. Учащиеся получат базовые знания и примеры их практического применения.

Подробнее »

Amazon ML Solutions Lab

Amazon ML Solutions Lab – это возможность для ваших специалистов связаться с экспертами по машинному обучению Amazon. Программа включает практические учебные семинары с элементами мозгового штурма и профессиональные консультативные услуги, которые помогут выполнить разбор бизнес‑задач в обратном направлении, а затем шаг за шагом пройти весь процесс внедрения модели в продуктивную среду. После этого вы сможете использовать полученные знания и навыки для реализации дополнительных возможностей в своей организации.

Подробнее »