Общие вопросы

Вопрос: Что такое Amazon SageMaker?

Amazon SageMaker – это полностью управляемый сервис, который позволяет разработчикам и специалистам по работе с данными быстро и легко создавать, обучать и развертывать модели машинного обучения.

Вопрос: Для чего предназначен сервис Amazon SageMaker?

Amazon SageMaker позволяет разработчикам и специалистам по работе с данными создавать модели машинного обучения, которые используются в интеллектуальных прогнозирующих приложениях.

Вопрос: Как начать работу с Amazon SageMaker?

Чтобы начать работу с Amazon SageMaker, необходимо войти в консоль Amazon SageMaker, запустить инстанс блокнота с готовым примером, отредактировать его для подключения к своим источникам данных, на основе примера создать, обучить или проверить модели, а затем выполнить развертывание итоговой модели в рабочей среде, используя несколько вводов данных.

Вопрос: В каких регионах доступен Amazon SageMaker?

Список регионов AWS с поддержкой сервиса Amazon SageMaker см. в таблице регионов AWS для всей глобальной инфраструктуры AWS. См. также Регионы и адреса серверов в общих справочных материалах по AWS.

Вопрос: Какова доступность сервиса Amazon SageMaker?

Amazon SageMaker разработан для обеспечения высокой доступности. Плановые простои и перерывы на обслуживание отсутствуют. API Amazon SageMaker работают на базе надежных ЦОД Amazon с высокой степенью доступности, стек сервиса реплицируется в трех ЦОД в каждом регионе AWS, что обеспечивает отказоустойчивость в случае выхода из строя отдельного сервера или аварийного отключения зоны доступности.

Вопрос: Какие меры обеспечения безопасности использует сервис Amazon SageMaker?

Amazon SageMaker обеспечивает шифрование моделей машинного обучения и других системных артефактов как при хранении, так и при пересылке. Запросы к API и консоли сервиса Amazon SageMaker выполняются через безопасное SSL-соединение. Права доступа к ресурсам для обучения и развертывания от имени клиента предоставляются сервису Amazon SageMaker путем передачи ему соответствующих ролей AWS Identity and Access Management. Можно использовать зашифрованные корзины S3 для артефактов моделей и данных либо передать ключ KMS блокнотам Amazon SageMaker с целью шифрования подключенного тома хранилища для машинного обучения.

Вопрос: Как обеспечивается безопасность кода в Amazon SageMaker?

Amazon SageMaker хранит код в томах хранилища для машинного обучения, которые защищены группами безопасности и могут быть дополнительно зашифрованы при хранении.

Вопрос: Как начисляется плата за использование Amazon SageMaker?

Плата начисляется за вычислительные ресурсы, хранилище и ресурсы для обработки данных, которые используются для размещения блокнотов, обучения моделей, расчета прогнозов и ведения журнала выходных данных. Amazon SageMaker позволяет выбрать число и тип инстансов, которые будут использованы для размещения блокнотов, обучения и хостинга моделей. Вы платите только за то, чем пользуетесь, без минимальных платежей или авансовых обязательств.

Вопрос: Могу ли я использовать свой блокнот, среду обучения или хостинга?

Amazon SageMaker полностью обеспечивает все этапы рабочего процесса, однако это не мешает использовать существующие инструменты вместе с Amazon SageMaker. В зависимости от конкретных практических потребностей можно легко импортировать результаты в Amazon SageMaker либо экспортировать их из сервиса на любом этапе рабочего процесса.

Размещенные блокноты Jupyter

Вопрос: Какие типы блокнотов поддерживаются?

В данный момент поддерживаются блокноты Jupyter.

Вопрос: Как сохраняются файлы блокнотов при остановке рабочего пространства?

Файлы блокнотов хранятся на подключенном томе хранилища для машинного обучения. При отключении инстанса блокнота выполняется отсоединение тома. Повторное подключение произойдет при очередном запуске инстанса. Элементы, хранящиеся в оперативной памяти, будут утеряны.

Вопрос: Как увеличить количество доступных ресурсов для своего блокнота?

После сохранения файлов и данных на подключенном томе хранилища для машинного обучения отредактируйте инстанс блокнота и выберите следующий по размеру профиль через консоль Amazon SageMaker. После перезапуска данного инстанса будет доступно больше ресурсов с сохранением набора файлов и установленных библиотек.

Вопрос: Как обучить модель из блокнота Amazon SageMaker?

После запуска примера блокнота настройте его согласно своей схеме и источникам данных. Запустите API AWS для создания задачи на обучение. Наблюдать за ходом выполнения задачи на обучение можно в консоли Amazon SageMaker или с помощью API AWS.

Обучение моделей

Вопрос: Существуют ли ограничения на размер пакета данных, который используется для обучения?

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

Вопрос: Какие источники данных можно легко добавить в Amazon SageMaker?

В момент создания задачи на обучение можно указать местоположение данных для обучения в Amazon S3.

Вопрос: Какие алгоритмы Amazon SageMaker использует для создания моделей?

Amazon SageMaker предоставляет следующие встроенные алгоритмы: вычисление линейной регрессии, логической регрессии, кластеризация методом k-средних, анализ основного компонента, факторизация машин, тематическое нейронное моделирование, латентное размещение Дирихле, построение деревьев методом градиентного роста, алгоритм sequence2sequence и классификация изображений. Amazon SageMaker также предоставляет оптимизированные контейнеры MXNet и TensorFlow. Кроме того, Amazon SageMaker поддерживает собственные алгоритмы обучения, предоставленные в образе Docker в соответствии с требованиями спецификации.

Размещение моделей

Вопрос: Можно ли получить доступ к инфраструктуре, на которой работает Amazon SageMaker?

Нет. Amazon 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.

Вопрос: Как увеличить размер и производительность модели Amazon SageMaker, запущенной в рабочей среде?

Хостинг Amazon 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.

Вопрос: Как выполнять мониторинг Amazon SageMaker в рабочей среде?

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

Вопрос: Какие модели можно разместить с помощью Amazon SageMaker?

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

Вопрос: Какое количество одновременных запросов API в режиме реального времени поддерживает Amazon SageMaker?

Amazon 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.


Подробнее о ценах на Amazon SageMaker

Перейти на страницу цен
Готовы начать работу?
Регистрация
Есть вопросы?
Свяжитесь с нами