Общие вопросы

Вопрос. Что такое Amazon SageMaker?

Amazon SageMaker – это полностью управляемый сервис, предназначенный для создания, обучения и развертывания моделей машинного обучения (ML) для любого стандартного примера использования с полностью управляемыми инфраструктурой, инструментами и рабочими процессами.

Вопрос. В каких регионах доступен Amazon SageMaker?

Список регионов AWS с поддержкой сервиса Amazon SageMaker можно найти 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. Сервис работает без плановых простоев и перерывов на обслуживание. API 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. 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. 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 SageMaker выполняются через безопасное SSL-соединение. Права доступа к ресурсам для обучения и развертывания от имени клиента предоставляются сервису SageMaker путем передачи ему соответствующих ролей AWS Identity and Access Management. Зашифрованные корзины Amazon S3 можно использовать для хранения данных и артефактов моделей, также вы можете применять ключ AWS Key Management Service (KMS) в блокнотах SageMaker, заданиях по обучению и адресах сервиса, чтобы шифровать подключенный том хранилища для машинного обучения. Amazon SageMaker также поддерживает Amazon Virtual Private Cloud (VPC) и AWS PrivateLink.

Вопрос. Использует ли Amazon SageMaker модели, обучающие данные, алгоритмы или предоставляет общий доступ к ним?

Amazon SageMaker не использует модели, обучающие данные и алгоритмы клиентов и не предоставляет общий доступ к ним. Мы знаем, что наши клиенты глубоко заинтересованы в обеспечении безопасности и конфиденциальности данных. Поэтому AWS 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. Мы также реализуем надежные комплексные средства технического и физического контроля, которые предотвращают несанкционированный доступ к пользовательскому контенту или раскрытие информации. Клиенты сохраняют право собственности на свой контент и выбирают, какие сервисы AWS могут обрабатывать, хранить и размещать контент. Мы не получаем доступ к контенту клиентов для каких-либо целей без соответствующего согласия.

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. Плата начисляется по факту использования. Минимальные платежи и авансовые обязательства отсутствуют. Для получения подробных сведений см. страницу цен на Amazon SageMaker и калькулятор цен на Amazon SageMaker.

Вопрос. Как я могу оптимизировать свои расходы на Amazon SageMaker, например обнаруживать и удалять простаивающие ресурсы, чтобы избежать ненужных расходов?

Есть несколько передовых методов, которые можно использовать для оптимизации использования ресурсов Amazon SageMaker. Некоторые подходы включают оптимизацию конфигурации, другие – программные решения. Полное руководство по этой концепции вместе с наглядными руководствами и примерами кода можно найти в этой публикации в блоге.

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 SageMaker. В зависимости от конкретных практических потребностей можно легко импортировать результаты в SageMaker либо экспортировать их из сервиса на любом этапе рабочего процесса.

Вопрос. поддерживается ли R в Amazon SageMaker?

Да, R поддерживается в Amazon SageMaker. Вы можете использовать R в инстансах блокнотов SageMaker, в которые входят предварительно установленное ядро R и библиотека reticulate. Библиотека reticulate реализует интерфейс R для Amazon SageMaker Python SDK, благодаря чему изучающие машинное обучение специалисты могут создавать, обучать, настраивать и развертывать модели на базе языка R. 

Вопрос. Как можно выявить дисбаланс в модели?

Amazon SageMaker Clarify помогает повысить прозрачность модели, выявляя статистические смещения в рабочем процессе машинного обучения. SageMaker Clarify проверяет наличие дисбаланса на этапах подготовки данных, после обучения модели и далее через некоторые интервалы времени, а также предоставляет средства для понимания моделей машинного обучения и полученных через них прогнозов. Полученные результаты можно предоставлять другим посредством отчетов с объяснениями.

Вопрос. Какие типы смещений выявляет Amazon SageMaker Clarify?

Оценка смещений в моделях машинного обучения необходима для того, чтобы устранить такие смещения. Смещения можно оценивать как до, так и после обучения, а также использовать эту оценку для вывода в развернутой модели. Каждое измерение смещения соответствует определенному представлению справедливости. Даже самые простые методы оценки справедливости могут приводить к очень разным подходам, в разной степени применимым в разных контекстах. Вам нужно выбрать методы и метрики оценки смещений, которые имеют смысл для конкретного приложения в конкретной изучаемой ситуации. SageMaker в настоящее время поддерживает вычисление разных метрик смещения для обучающих данных (в ходе подготовки данных в SageMaker), для обученной модели (в SageMaker Experiments) и для вывода в развернутой модели (при использовании SageMaker Model Monitor). Например, перед обучением доступны метрики, позволяющие проверить репрезентативность обучающих данных (отсутствие плохо представленных групп) и разногласия в распределении меток для разных групп. После обучения и во время развертывания метрики помогут оценить, как и насколько различается поведение модели для разных групп. Например, для начала можно сравнить коэффициенты ошибок (вероятность отклонения прогноза модели от фактической метки) или углубиться чуть дальше, отдельно оценивая точность (вероятность того, что положительный прогноз окажется верным) и отзыв (вероятность того, что модель правильно обнаружит установленную для образца метку).

Вопрос. Каким образом Amazon SageMaker Clarify улучшает понимание моделей?

Интеграция Amazon SageMaker Clarify с SageMaker Experiments позволяет после обучения модели получить граф важности признаков с подробной информацией о вкладе каждого элемента входных данных в общий процесс принятия решений. Эти сведения помогут вам заметить, если некоторый отдельный элемент слишком сильно влияет на поведение модели. SageMaker Clarify также создает объяснения для отдельных прогнозов, доступных через API.
 

Вопрос. Что такое Amazon SageMaker Studio?

Amazon SageMaker Studio предоставляет единый визуальный веб‑интерфейс, в котором можно проводить все этапы разработки ML. SageMaker Studio обеспечивает полный доступ, контроль и прозрачность каждого шага, необходимого для создания, обучения и развертывания моделей. Теперь можно быстро загружать данные, создавать новые блокноты, обучать и настраивать модели, перемещаться между любыми этапами, настраивать эксперименты, сравнивать результаты и развертывать модели в одном месте, что благотворно сказывается на эффективности процесса. Все действия по разработке ML, включая создание блокнотов, управление экспериментами, автоматизированное создание моделей, отладку и профилирование, а также обнаружение отклонений в моделях, можно выполнять в едином визуальном интерфейсе SageMaker Studio.

Вопрос. Что такое RStudio в SageMaker?

Amazon SageMaker Studio предоставляет визуальный веб-интерфейс, который позволяет с легкостью создавать модели на языке Python. Вы также можете анализировать и визуализировать данные для машинного обучения на языке R, используя эластичные вычислительные ресурсы RStudio в SageMaker, первом полностью управляемом облачном сервисе RStudio Workbench.

Вопрос. Как рассчитываются цены за использование Amazon SageMaker Studio?

Дополнительная плата за использование Amazon SageMaker Studio не начисляется. Вы оплачиваете только базовые тарифы за вычисления и хранилище для сервисов, которые используете в Amazon SageMaker Studio.

Вопрос. В каких регионах поддерживается Amazon SageMaker Studio?

Регионы с поддержкой Amazon SageMaker Studio можно найти в этой документации.

Машинное обучение с низким уровнем кода

Вопрос. Что такое Amazon SageMaker Autopilot?

Amazon SageMaker Autopilot – это первый в отрасли сервис автоматизированного машинного обучения, который предоставляет полный контроль над ML‑моделями и обеспечивает прозрачность всех процессов. SageMaker Autopilot автоматически проверяет необработанные данные, применяет обработчики возможностей, выбирает лучший набор алгоритмов, обучает и настраивает множество моделей, отслеживает их производительность, а затем ранжирует модели на основе их производительности – и все это за несколько щелчков мышью. В результате создается готовая для развертывания модель с наилучшими характеристиками, причем во много раз быстрее, чем обычно происходит обучение модели. При этом пользователю обеспечивается полное представление о том, как была создана модель и что в ней есть. Сервис SageMaker Autopilot интегрирован с Amazon SageMaker Studio. Благодаря этому можно изучить до 50 различных моделей, созданных SageMaker Autopilot, в SageMaker Studio и без труда выбрать оптимальную модель для своего примера использования. SageMaker Autopilot могут использовать как люди, не имеющие опыта машинного обучения, для простого создания моделей, так и опытные разработчики – для быстрой разработки базовой модели, которую можно использовать в команде для дальнейших итераций.

Вопрос. Какие встроенные алгоритмы поддерживает Amazon SageMaker Autopilot?

Amazon SageMaker Autopilot поддерживает два встроенных алгоритма: XGBoost и Linear Learner.

Вопрос. Можно ли вручную остановить задание Amazon SageMaker Autopilot?

Да. Вы можете остановить работу в любое время. При остановке задания Amazon SageMaker Autopilot прекращаются все текущие исследования, а новые не запускаются.

Вопрос. Как быстро начать работу с Amazon SageMaker?

Amazon 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. Amazon SageMaker JumpStart также 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. 

Вопрос. Какие модели с открытым исходным кодом поддерживаются в Amazon SageMaker JumpStart?

Amazon SageMaker JumpStart включает более 150 предварительно обученных моделей с открытым исходным кодом из PyTorch Hub и TensorFlow Hub. Для задач, связанных с компьютерным зрением, например для классификации изображений и обнаружения объектов, вы можете применить модели 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.

Вопрос. Какие встроенные решения поставляются вместе с Amazon SageMaker JumpStart?

SageMaker JumpStart включает решения, уже дополненные всеми необходимыми сервисами AWS для запуска решения в производственной среде. Эти решения полностью персонализируемы, благодаря чему вы можете с легкостью адаптировать их для своих сценариев использования и наборов данных. Вы можете использовать решения для более 15 сценариев, включая прогнозирование спроса, выявление мошенничества и профилактическое обслуживание, а также развертывать решения за несколько щелчков мышью. Более подробная информация о доступных решениях содержится на странице начала работы с SageMaker. 

Вопрос. Как рассчитываются цены за использование Amazon SageMaker JumpStart?

Вам будет выставляться счет за все сервисы AWS, запущенные из SageMaker JumpStart, в том числе задания по обучению и адреса, в зависимости от цен на SageMaker. Дополнительная плата за использование Amazon SageMaker JumpStart не начисляется.

Вопрос. Что такое Amazon SageMaker Canvas?

Amazon SageMaker Canvas – это сервис без кода с интуитивно понятным визуальным интерактивным интерфейсом, позволяющим с легкостью создавать высокоточные прогнозы на основе машинного обучения с использованием ваших данных. SageMaker Canvas предоставляет доступ к данным из различных источников и позволяет их объединить, используя пользовательский интерфейс с функцией перетаскивания, автоматически очищает и подготавливает данные для минимизации очистки вручную, применяет разнообразные самые современные алгоритмы машинного обучения для поиска высокоточных прогнозирующих моделей и обеспечивает интуитивным интерфейсом для создания 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. Подробнее о SageMaker Canvas см. на странице вопросов и ответов по Canvas.

Рабочие процессы машинного обучения

Вопрос. Как построить конвейер непрерывной интеграции и доставки (CI/CD) с помощью Amazon SageMaker?

Amazon SageMaker Pipelines помогает 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. SageMaker Pipelines предоставляет Python SDK, который подключается к SageMaker Studio и позволяет создать каждый шаг рабочего процесса через визуальный интерфейс. Используя один полнофункциональный API, вы сможете соединить эти шаги в готовый рабочий процесс. SageMaker Pipelines возьмет 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.

Вопрос. Как просмотреть все свои обученные модели, чтобы выбрать лучшую из них для запуска в производственной среде?

Amazon SageMaker Pipelines предоставляет центральный репозиторий обученных моделей, который называется реестром моделей. Вы можете подбирать модели и изучать реестр моделей через визуальный интерфейс SageMaker Studio или программным образом через Python SDK, что дает вам свободу в выборе требуемой модели для развертывания в производственной среде.

Вопрос. Какие компоненты Amazon SageMaker можно добавить в Amazon SageMaker Pipelines?

В SageMaker Pipelines можно добавить любые компоненты, доступные в Amazon SageMaker Studio, в том числе SageMaker Clarify, SageMaker Data Wrangler, SageMaker Feature Store, SageMaker Experiments, SageMaker Debugger и SageMaker Model Monitor.

Вопрос. Как можно отслеживать компоненты своих моделей в течение всего рабочего процесса машинного обучения?

Amazon SageMaker Pipelines автоматически сохраняет информацию обо всех компонентах модели и аудиторский след любых изменений, что устраняет необходимость в ручном отслеживании и может помочь вам достичь целей соответствия требованиям. С SageMaker Pipelines вы можете отслеживать данные, код, обученные модели и т. п.

Вопрос. Как рассчитываются цены за использование Amazon SageMaker Pipelines?

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

Вопрос. Можно ли использовать Kubeflow с Amazon SageMaker?

Да. Компонентами Amazon SageMaker для Kubeflow Pipelines являются подключаемые модули с открытым исходным кодом, которые позволяют использовать Kubeflow Pipelines для определения рабочих процессов машинного обучения и применять SageMaker для маркировки данных, обучения и вывода. Kubeflow Pipelines – это дополнение к Kubeflow, которое позволяет создавать и развертывать портативные масштабируемые комплексные конвейеры машинного обучения. Однако при использовании Kubeflow Pipelines операционным командам по машинному обучению необходимо управлять кластером Kubernetes на инстансах CPU и GPU и постоянно поддерживать высокий уровень его использования, чтобы снижать эксплуатационные расходы. Добиться максимального использования кластера со стороны подразделений по анализу и обработке данных достаточно сложно, что приводит к тому, что подразделения по операциям машинного обучения сталкиваются с дополнительными эксплуатационными расходами. Альтернативой кластеру Kubernetes, оптимизированному для машинного обучения, являются компоненты Amazon SageMaker для Kubeflow Pipelines. С их помощью можно использовать преимущества мощных возможностей SageMaker, таких как маркировка данных, полностью управляемая масштабируемая настройка гиперпараметров и распределенные задания обучения, безопасное и масштабируемое развертывание модели за один щелчок мышью и экономически эффективное обучение с использованием спотовых инстансов Amazon EC2. При этом настраивать кластеры Kubernetes специально для выполнения заданий машинного обучения и управлять ими не требуется.

Вопрос. Каковы принципы оплаты использования Amazon SageMaker Components для Kubeflow Pipelines?

Дополнительная плата за использование Amazon SageMaker Components для Kubeflow Pipelines не начисляется. 

Подготовка данных

Вопрос. Как Amazon SageMaker подготавливает данные для машинного обучения?

Amazon SageMaker Data Wrangler сокращает время, необходимое для сбора и подготовки данных для машинного обучения. Используя единый интерфейс SageMaker Studio, вы можете импортировать данные из Amazon S3, Amazon Athena, Amazon Redshift, AWS Lake Formation и Amazon SageMaker Feature Store, а всего несколькими кликами мыши можно автоматически загрузить, обработать и отобразить исходные данные в SageMaker Data Wrangler. Затем этот сервис предоставит вам рекомендации по преобразованию для полученных исходных данных, преобразует их для создания новых признаков, проверит эти признаки и визуально отобразит рекомендации по устранению типичных ошибок, например неправильно проставленных меток. Когда подготовка данных будет завершена, вы можете создать полностью автоматизированные рабочие процессы машинного обучения с помощью Amazon SageMaker Pipelines или импортировать эти данные в Amazon SageMaker Feature Store.

Вопрос. Как создавать возможности для модели в Amazon SageMaker Data Wrangler?

Amazon SageMaker Data Wrangler может автоматически преобразовать данные для получения новых признаков, избавляя от создания кода вручную. SageMaker Data Wrangler предлагает большой ассортимент заранее настроенных преобразований данных, таких как изменение типа столбца, конвертация в унитарный код, замена недостающих значений средними или медианными, изменение масштаба столбцов, внедрение даты и времени. Например, вы можете всего одним щелчком мыши преобразовать столбец текстовых полей в числовой столбец, а также выполнить другие нужные вам преобразования в PySpark, SQL и Pandas.

Вопрос. Как визуализировать данные в Amazon SageMaker Data Wrangler?

Amazon SageMaker Data Wrangler поможет вам разобраться в данных и выявить потенциальные ошибки и предельные значения с помощью набора надежных предварительно настроенных шаблонов визуализации. Гистограммы, графики рассеивания и оптимизированные для машинного обучения визуализации, например для обнаружения утечек, доступны без необходимости написания кода. Также вы можете создавать и редактировать собственные визуализации.

Вопрос. Как рассчитываются цены за использование Amazon SageMaker Data Wrangler?

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

Вопрос. Как обучить модели машинного обучения с помощью данных, подготовленных в Amazon SageMaker Data Wrangler?

SageMaker Data Wrangler обеспечивает единую систему взаимодействия, позволяя подготовить данные и легко обучить модель машинного обучения в SageMaker автопилот. «Amazon SageMaker автопилот» автоматически создает, обучает и настраивает самые лучшие модели машинного обучения на основе ваших данных. С помощью «SageMaker автопилот» вы можете полностью контролировать и отслеживать свои данные и модель. В SageMaker Data Wrangler есть также возможности экспорта, в том числе для заданий SageMaker Data Wrangler, а также компонентов «Хранилище функций Amazon SageMaker» и «Конвейеры Amazon SageMaker». Благодаря этому можно интегрировать поток подготовки данных в рабочий процесс машинного обучения.

Вопрос. Как сохранить возможности для моделей машинного обучения?

Amazon SageMaker Feature Store предоставляет центральный репозиторий для признаков данных с низкой задержкой чтения и записи, измеряемой в миллисекундах. С SageMaker Feature Store вы можете сохранять, получать, искать и передавать в совместное пользование признаки моделей, что позволяет легко применять их для разных моделей и в разных проектах, сохраняя защиту доступа и полный контроль. SageMaker Feature Store поддерживает локальные признаки, созданные как при пакетной, так и при потоковой обработке. Также поддерживается заполнение исторических данных, локальные и сетевые хранилища для сохранения соответствия между признаками, используемыми для обучения моделей и вывода прогнозов.

Вопрос. Как поддерживать согласованность локальных и сетевых возможностей?

Amazon SageMaker Feature Store автоматически поддерживает согласованность локальных и сетевых признаков без дополнительных действий по управлению или программированию. SageMaker Feature Store полностью управляемый и поддерживает согласованность между средами обучения и вывода.

Вопрос. Как воспроизвести возможность на конкретный момент времени?

Amazon SageMaker Feature Store поддерживает временные метки для всех признаков на любой момент времени. Это позволяет в любой момент получить признаки, которые использовались на конкретный момент времени, если это потребуется для бизнеса или соответствия требованиям. Вы можете легко описать возможности модели и их значения на любой момент времени, начиная с их создания и заканчивая текущим временем, воспроизводя модель в том состоянии, в котором она находилась в нужный момент.

Вопрос. Что такое локальные возможности?

Локальные признаки используются для обучения, когда важно иметь доступ к очень большим объемам данных в течение длительного периода времени. Эти возможности обслуживаются репозиторием с высокой пропускной способностью и широкой полосой пропускания.

Вопрос. Что такое сетевые возможности?

Сетевые возможности используются в приложениях, требующих прогнозирования в режиме реального времени. Сетевые возможности обслуживаются репозиторием с высокой пропускной способностью и задержкой в несколько миллисекунд, чтобы очень быстро получать прогнозы.

Вопрос. Как рассчитываются цены за использование Amazon SageMaker Feature Store?

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

Вопрос. Что предлагает Amazon SageMaker для маркировки данных?

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. Подробнее см. на веб-странице, посвященной маркировке данных в SageMaker.

Создание моделей

Вопрос. Что такое блокноты Amazon SageMaker Studio Notebooks?

Блокнот Amazon SageMaker Studio – это гибкий и управляемый блокнот Jupyter для совместной работы, входящий в Amazon SageMaker Studio, полностью интегрированную среду разработки для машинного обучения.

Вопрос. Чем блокноты SageMaker Studio отличаются от блокнотов на базе инстансов?

Блокноты SageMaker Studio отличаются от блокнотов на базе инстансов несколькими важными возможностями. Блокноты Studio можно быстро запускать, поскольку не нужно тратить время на инициализацию инстанса вручную и ждать, пока он будет готов. Для запуска пользовательского интерфейса для чтения и выполнения кода в блокноте требуется меньше времени, чем при работе с блокнотами на базе инстансов.

Кроме того, в пользовательском интерфейсе можно в любой момент свободно выбирать типы инстансов из большой коллекции. Вам не нужно открывать Консоль управления AWS для запуска новых инстансов и переноса блокнотов.

У каждого пользователя есть изолированный домашний каталог, независимый от определенного инстанса. Этот каталог автоматически подключается ко всем серверам и ядрам блокнотов по мере их запуска, поэтому у пользователей сохраняется доступ к блокнотам и другим файлам даже при переключении между инстансами для просмотра и запуска блокнотов.

Блокноты SageMaker Studio интегрированы в систему AWS IAM Identity Center (преемник AWS SSO), поэтому для доступа к ним можно использовать корпоративные данные. В блокнотах SageMaker Studio предусмотрена возможность их совместного использования. Достаточно одного щелчка, чтобы начать использовать блокноты вместе с коллегами.

Вопрос. Как работают блокноты Amazon SageMaker Studio?

Блокноты Amazon SageMaker Studio – 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 SageMaker Studio вы можете выполнить вход с помощью корпоративных данных для доступа, используя систему AWS IAM Identity Center (преемник AWS SSO). 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.

Вопрос. Как блокноты Amazon SageMaker Studio взаимодействуют с другими сервисами AWS?

Блокноты Amazon SageMaker Studio предоставляют доступ ко всем возможностям SageMaker, включая распределенное обучение, пакетное преобразование, размещение и управление экспериментами. Для получения наборов данных можно обращаться из блокнотов SageMaker к таким сервисам, как Amazon S3, Amazon Redshift, AWS Glue, Amazon EMR и AWS Lake Formation.

Вопрос. Как происходит расчет платы за использование блокнотов SageMaker Studio?

При использовании блокнотов SageMaker Studio плата взимается как за вычислительные ресурсы, так и за хранение данных. Сведения о тарифах в зависимости от типа вычислительного инстанса см. на странице цен на Amazon SageMaker. Ваши блокноты и связанные с ними артефакты, такие как файлы данных и скрипты, сохраняются в Amazon EFS. Сведения о тарифах на хранение данных см. на странице цен на Amazon EFS. В рамках уровня бесплатного пользования AWS работу с блокнотами Amazon SageMaker Studio можно начать бесплатно.

Вопрос. Нужно ли платить отдельно за каждый блокнот, созданный и запущенный в SageMaker Studio?

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 Studio – и все это на одном вычислительном инстансе. Каждое приложение работает внутри контейнера или образа. SageMaker Studio предоставляет несколько встроенных образов, специально созданных и настроенных для задач аналитики данных и машинного обучения. Более подробные сведения о среде разработки Studio см. в руководстве по использованию блокнотов SageMaker Studio.

Вопрос. Как отслеживать и отключать ресурсы, которые используются моими блокнотами?

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

Вопрос. Я использую блокнот SageMaker Studio. Будет ли с меня взиматься плата, если я закрою браузер, закрою вкладку блокнота или просто оставлю браузер открытым?

Да, с вас по-прежнему будет взиматься плата за использование вычислительных ресурсов. Эта ситуация схожа с запуском инстансов Amazon EC2 в консоли управления AWS с последующим закрытием браузера. Инстансы Amazon EC2 все еще будут работать, и с вас по-прежнему будет взиматься плата, пока вы явным образом не отключите инстанс.

Вопрос: Взимается ли плата за создание и настройку домена Studio?

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

Вопрос. Как просмотреть подробные сведения о расходах на блокноты Studio или другие сервисы SageMaker?

Будучи администратором, вы можете просмотреть список детализированных платежей за SageMaker, включая Studio, 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.

Вопрос. Что такое Amazon SageMaker Studio Lab?

Amazon SageMaker Studio Lab – это бесплатная среда для разработки машинного обучения (ML), в которой абсолютно бесплатно предоставляются вычисления, хранилище (объемом до 15 ГБ) и безопасность для любого пользователя в целях обучения и экспериментирования с ML. Для начала работы требуется лишь действительный адрес электронной почты без необходимости настраивать инфраструктуру или управлять идентификацией, получать доступ либо даже регистрировать аккаунт AWS. SageMaker Studio Lab ускоряет создание моделей посредством интеграции с GitHub и предоставляется с предварительно настроенными наиболее популярными инструментами, платформами и библиотеками машинного обучения, благодаря чему вы можете сразу же приступить к работе. SageMaker Studio Lab автоматически сохраняет работу, поэтому вам не нужно перезапускать сервис между сеансами. Это так же просто, как закрыть крышку ноутбука и возвратиться к работе позднее.

Вопрос. В каких случаях рекомендуется использовать Amazon SageMaker Studio Lab?

Сервис Amazon SageMaker Studio Lab предназначен для учащихся, исследователей и специалистов по работе с данными, которым требуется бесплатная среда для разработки блокнотов без необходимости настраивать свои занятия машинного обучения и эксперименты. Amazon SageMaker Studio Lab – это идеальное решение для пользователей, которые не нуждаются в производственной среде, однако хотят получить часть функциональных возможностей SageMaker для усовершенствования своих навыков машинного обучения. Сеансы SageMaker сохраняются автоматически, позволяя пользователям продолжить с того момента, на котором они остановились, в каждом пользовательском сеансе.

Вопрос. Как сервис Amazon SageMaker Studio Lab взаимодействует с другими сервисами AWS?

Amazon SageMaker Studio Lab – это сервис, созданный на AWS и использующий множество тех же самых основных сервисов, что и Amazon SageMaker Studio, например Amazon S3 и Amazon EC2. В отличие от других сервисов, клиентам не потребуется аккаунт AWS. Вместо этого они создадут специальный аккаунт для Amazon SageMaker Studio Lab с помощью адреса электронной почты. Благодаря этому пользователи получат доступ к ограниченной среде (с хранилищем объемом 15 ГБ и сеансами продолжительностью 12 часов) для запуска блокнотов ML.

Вопрос. Что такое Amazon SageMaker Canvas?

Amazon SageMaker Canvas – это визуальный сервис с функцией перетаскивания, позволяющий бизнес-аналитикам разрабатывать модели ML и создавать точные прогнозы без написания кода или необходимости в экспертных знаниях о машинном обучении. SageMaker Canvas упрощает доступ к данным из различных источников и их объединение, автоматическую очистку данных и применение разнообразных корректировок данных, а также построение моделей ML для создания точных прогнозов одним щелчком мыши. Кроме того, вы можете без труда опубликовать результаты, описать и интерпретировать модели, а также предоставить к ним совместный доступ для других в пределах вашей организации с целью ознакомления.

Вопрос. Какие источники данных поддерживает Amazon SageMaker Canvas?

SageMaker Canvas позволяет эффективно обнаруживать источники данных AWS, к которым имеет доступ ваш аккаунт, включая Amazon S3 и Amazon Redshift. Вы можете осуществлять просмотр и импорт данных с помощью визуального интерфейса SageMaker Canvas с функцией перетаскивания. Кроме того, вы можете перетаскивать файлы из локального диска и использовать готовые коннекторы для импорта данных из сторонних источников, например Snowflake.

Вопрос. Как построить модель ML для создания точных прогнозов?

После подключения источников, выбора набора данных и подготовки данных можно выбрать целевой столбец для прогнозирования, чтобы запустить задание по созданию модели. Amazon SageMaker Canvas автоматически определит тип проблемы, создаст новые актуальные возможности, протестирует исчерпывающий набор прогнозирующих моделей, используя методики ML, например линейную
или логистическую регрессию, глубокое обучение, прогнозирование временных рядов и градиентный рост, а также построит модель, которая будет создавать точные прогнозы исходя из вашего набора данных.

Вопрос. Сколько времени занимает построение модели? Как можно отслеживать ход выполнения в процессе создания модели?

Время, необходимое для построения модели, зависит от размера набора данных. В случае небольших наборов данных построение может занять менее 30 минут, а в случае больших наборов данных – несколько часов. По мере выполнения задания по созданию модели Amazon SageMaker Canvas предоставляет подробные визуальные обновления, в том числе процент завершения задания и время, которое осталось до окончания.

Обучение моделей

Вопрос. Что такое Amazon SageMaker Experiments?

Сервис Amazon SageMaker Experiments помогает организовывать и отслеживать итерации обучения ML‑моделей. Сервис SageMaker Experiments помогает управлять итерациями, автоматически фиксируя входные параметры, конфигурации и результаты и сохраняя их как эксперименты. Работать при этом можно в визуальном интерфейсе SageMaker Studio, который дает возможность просматривать текущие эксперименты, искать предыдущие эксперименты по характеристикам, просматривать предыдущие эксперименты вместе с результатами и визуально сравнивать полученные результаты между собой.

Вопрос. Что такое Amazon SageMaker Debugger?

Отладчик Amazon SageMaker Debugger автоматически в режиме реального времени выполняет в процессе обучения сбор таких метрик, как матрицы путаницы и градиенты обучения, что в итоге помогает повысить точность модели. Метрики от SageMaker Debugger можно визуализировать в SageMaker Studio для удобства понимания. SageMaker Debugger может генерировать предупреждения и рекомендации по исправлению обнаруженных типовых проблем с обучением. Также SageMaker Debugger автоматически отслеживает и оценивает в реальном времени такие ресурсы, как ЦП, графические процессоры, сеть и память, предоставляя рекомендации по перераспределению этих ресурсов. Это позволяет вам эффективнее использовать ресурсы в процессе обучения, помогает снизить расходы и уменьшить потребность в ресурсах.

Вопрос. Поддерживает ли Amazon SageMaker распределенное обучение?

Да. Amazon 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.

Вопрос. Что такое SageMaker Training Compiler?

Amazon SageMaker Training Compiler – это компилятор глубокого обучения (DL), который ускоряет обучение моделей DL до 50 % посредством оптимизаций уровня графа и ядра для более эффективного использования GPU. Training Compiler интегрирован с версиями TensorFlow и PyTorch в SageMaker, поэтому вы можете ускорить обучение на этих популярных платформах с минимальными изменениями кода.

Вопрос. Как работает SageMaker Training Compiler?

SageMaker Training Compiler ускоряет задания по обучению, преобразовывая модели DL из высокоуровневого языкового представления в оптимизированные аппаратные инструкции, которые способствуют более быстрому обучению по сравнению с заданиями на исходных платформах. Если более конкретно, то SageMaker Training Compiler использует оптимизацию графового уровня (слияние операторов, планирование памяти и алгебраическое упрощение), оптимизации уровня потока данных (изменение размещения, удаление общих подвыражений) и серверные оптимизации (скрытие задержки при обращении к памяти, цикло-ориентированные оптимизации) для создания оптимизированного задания по обучению моделей, которое эффективнее использует аппаратные ресурсы и, как результат, быстрее обучает.

Вопрос. Как можно использовать SageMaker Training Compiler?

Amazon SageMaker Training Compiler встроен в SageMaker Python SDK и SageMaker Hugging Face Deep Learning Containers. Чтобы получить доступ к преимуществам ускоренной работы, вам не нужно изменять свои рабочие процессы. Вы можете запускать задания по обучению таким же образом, как и до этого, используя любые интерфейсы SageMaker: инстансы блокнота Amazon SageMaker, SageMaker Studio, AWS SDK for Python (Boto3) и интерфейс командной строки AWS. Можно включить SageMaker Training Compiler, добавив класс TrainingCompilerConfig в виде параметра при создании объекта оценки платформы. На практике это означает добавление нескольких строк кода в существующий сценарий задания по обучению для одного инстанса GPU. Самые актуальные подробные документы, образцы блокнотов и примеры доступны в документации.

Вопрос. Сколько стоит использование SageMaker Training Compiler?

Training Compiler – это одна из возможностей SageMaker Training, которая предоставляется без взимания дополнительной платы исключительно для клиентов SageMaker. В действительности Training Compiler позволяет клиентам снизить свои расходы, поскольку время обучения сокращается.

Вопрос. Что такое управляемое спотовое обучение?

Управляемое спотовое обучение с использованием Amazon SageMaker позволяет обучать модели машинного обучения с помощью спотовых инстансов Amazon EC2 и при этом снизить затраты на него до 90 %.

Вопрос. Как использовать управляемое спотовое обучение?

Отправляя запросы на выполнение своих заданий по обучению, вы активируете управляемое спотовое обучение и указываете, в течение какого периода хотите ждать спотовые ресурсы. Затем Amazon SageMaker использует спотовые инстансы Amazon EC2 для выполнения задания и управляет спотовыми ресурсами. Вы полностью видите состояние задания по обучению как в процессе его выполнения, так и во время ожидания ресурсов.

Вопрос. В каких случаях стоит использовать управляемое спотовое обучение?

Управляемое спотовое обучение – идеальный вариант, когда у вас есть некоторая свобода в выполнении заданий по обучению, а также если вы хотите минимизировать затраты на такие задания. Благодаря управляемому спотовому обучению затраты на обучение моделей машинного обучения можно снизить до 90 %.

Вопрос. Как работает управляемое спотовое обучение?

Для обучения в таком формате используются спотовые инстансы Amazon EC2, которые можно освободить, когда AWS понадобятся ресурсы. Таким образом, задания по управляемому спотовому обучению можно разбить на небольшие этапы и выполнять их по мере доступности ресурсов. В случае прерывания заданий по обучению не придется начинать с самого начала, поскольку Amazon SageMaker может возобновить их выполнение, используя последнюю контрольную точку модели. Благодаря SageMaker встроенные платформы и алгоритмы машинного зрения позволяют создавать периодические контрольные точки, которые можно также использовать для пользовательских моделей.

Вопрос. Нужно ли периодически создавать контрольные точки в процессе управляемого спотового обучения?

Рекомендуем периодически создавать контрольные точки при выполнении долгосрочных заданий по обучению. Это позволит предотвратить перезапуск заданий по управляемому спотовому обучению в случае освобождения ресурса. Если активировано использование контрольных точек, Amazon SageMaker возобновит выполнение задания по управляемому спотовому обучению с последней контрольной точки.

Вопрос. Как подсчитать снижение издержек в случае использования заданий по управляемому спотовому обучению?

После завершения задания по управляемому спотовому обучению можно посмотреть, сколько вы экономите, в Консоли управления AWS, а также рассчитать снижение издержек в процентном соотношении между длительностью выполнения задания по обучению и длительностью, указанной в счете.

Независимо от количества прерываний заданий по управляемому спотовому обучению, вы оплачиваете только длительность загрузки данных.

Вопрос. Какие инстансы можно использовать для управляемого спотового обучения?

Для управляемого спотового обучения можно использовать все инстансы, которые поддерживает Amazon SageMaker.

Вопрос. В каких регионах AWS поддерживается управляемое спотовое обучение?

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

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 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, прогнозирование временных рядов, word2vec и классификация изображений. Также SageMaker поддерживает оптимизированные контейнеры Apache MXNet, Tensorflow, Chainer, PyTorch, Gluon, Keras, Horovod, Scikit-learn и Deep Graph Library. Кроме того, Amazon SageMaker поддерживает собственные алгоритмы обучения, предоставленные в образе Docker в соответствии с требованиями спецификации.

Вопрос. Что такое автоматическая настройка модели?

Большинство алгоритмов машинного обучения раскрывают множество параметров, которые контролируют работу базового алгоритма. Эти параметры носят название гиперпараметров, и их значения влияют на качество итоговых обученных моделей. Автоматическая настройка модели – это процесс поиска такого набора гиперпараметров алгоритма, который позволит получить оптимальную модель.

Вопрос. Какие модели поддаются автоматической настройке?

Автоматическую настройку модели можно запускать в Amazon SageMaker поверх любого алгоритма до тех пор, пока это возможно с научной точки зрения. В число возможных вариантов входят встроенные алгоритмы SageMaker, глубокие нейронные сети, а также любые произвольные алгоритмы, которые были импортированы в SageMaker в виде образов Docker.

Вопрос. Можно ли использовать автоматическую настройку модели за пределами Amazon SageMaker?

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

Вопрос. Какой базовый алгоритм лежит в основе механизма настройки?

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.

Вопрос. Вы можете порекомендовать конкретные гиперпараметры, которые следует настроить?

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 Amazon SageMaker алгоритмов мы указываем, является ли тот или иной гиперпараметр настраиваемым.

Вопрос. Сколько времени занимает настройка гиперпараметров?

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 гиперпараметров.

Вопрос. Можно ли оптимизировать несколько целевых метрик по аналогии с моделями, чтобы они были одновременно и быстрыми, и точными?

В настоящий момент это невозможно. 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.

Вопрос. Сколько стоит автоматическая настройка модели?

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.

Вопрос. Как выбрать между Amazon SageMaker Autopilot и автоматической настройкой параметров?

Amazon SageMaker Autopilot 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.

Вопрос. Что такое стимулированное обучение?

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

Вопрос. Можно ли обучать модели стимулированного обучения в Amazon SageMaker?

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

Вопрос. Чем стимулированное обучение отличается от контролируемого 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.

Вопрос. В каких случаях следует использовать стимулированное обучение?

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.

Вопрос. Какой тип сред можно использовать для обучения моделей стимулированного обучения?

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.

Вопрос. Нужно ли создавать собственные алгоритмы для агентов стимулированного обучения, чтобы обучать соответствующие модели?

Нет, система стимулированного обучения Amazon 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).

Вопрос. Можно ли использовать собственные библиотеки и реализации алгоритмов стимулированного обучения в системе стимулированного обучения Amazon SageMaker?

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

Вопрос. Можно ли выполнять распределенные развертывания с помощью системы стимулированного обучения Amazon SageMaker?

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

Развертывание моделей

Вопрос. Какие варианты развертывания обеспечивает Amazon SageMaker? 

После создания и обучения моделей Amazon SageMaker обеспечивает три варианта развертывания, чтобы начать работу с прогнозированием. Вывод в реальном времени подходит для рабочих нагрузок с необходимостью в миллисекундной задержке, размерами полезной нагрузки до 6 МБ и временем обработки до 60 секунд. Пакетное преобразование идеально подходит для автономного прогнозирования по доступным заранее большим пакетам данных. Асинхронный логический вывод предназначен для рабочих нагрузок, не требующих задержки менее секунды, с размером полезной нагрузки до 1 ГБ и временем обработки до 15 минут. 

Вопрос. Что такое асинхронные логические выводы Amazon SageMaker?

Асинхронные логические выводы Amazon SageMaker ставят входящие запросы в очередь и обрабатывают их асинхронно. Этот вариант идеально подходит для запросов с большими размерами полезной нагрузки и/или длительным временем обработки, которые необходимо обрабатывать по мере поступления. При необходимости можно настроить параметры автоматического масштабирования, чтобы снижать количество инстансов до нуля, если не идет активный процесс обработки запросов, и сократить расходы. 

Вопрос. Как настроить параметры автоматического масштабирования, чтобы снижать количество инстансов до нуля, если не идет активный процесс обработки запросов?

Вы можете снизить количество инстансов адреса асинхронных логических выводов Amazon 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. 

Вопрос. Что такое Amazon SageMaker Serverless Inference?

Amazon SageMaker Serverless Inference – это специализированный вариант бессерверного предоставления моделей, который упрощает развертывание и масштабирование моделей ML. Адреса SageMaker Serverless Inference 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.

Вопрос. В каких случаях рекомендуется использовать Amazon SageMaker Serverless Inference?

Amazon SageMaker Serverless Inference упрощает работу разработчиков, исключая необходимость в распределении ресурсов заранее и управлении политиками масштабирования. SageMaker Serverless Inference может осуществлять мгновенное масштабирование для разного числа логических выводов (от десятков до тысяч) в течение нескольких секунд исходя из шаблонов использования, благодаря чему это решение идеально подходит для приложений ML с непостоянным или непредсказуемым трафиком. Например, в сервисе Chatbot, используемом компанией, которая выполняет расчеты заработной платы, наблюдается увеличение числа запросов в конце месяца, тогда как трафик в оставшуюся часть месяца непостоянен. Распределение инстансов на весь месяц в таких сценариях не является настолько экономичным, как если прекратить оплачивать периоды простоя. SageMaker Serverless Inference помогает урегулировать эти типы стандартных примеров использования, предоставляя готовое решение для быстрого автоматического масштабирования без необходимости прогнозировать трафик заранее или управлять политиками масштабирования. Кроме того, вы платите только за время вычислений, которое требуется для выполнения кода логического вывода (с оплатой за миллисекунды), и за обработку данных, благодаря чему этот вариант становится более экономичным для рабочих нагрузок с непостоянным трафиком.

Вопрос. Что такое Amazon SageMaker Inference Recommender?

Amazon SageMaker Inference Recommender – это новая возможность Amazon SageMaker, которая сокращает время, требующееся для запуска моделей ML в работу, посредством автоматизации тестирования и настройки производительности моделей в ML-инстансах SageMaker. Теперь вы можете использовать SageMaker Inference Recommender 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.

Вопрос. В каких случаях следует использовать SageMaker Inference Recommender?

Использовать SageMaker Inference Recommender следует в тех случаях, когда вам необходимы рекомендации по правильной конфигурации адреса для повышения производительности и сокращения расходов. Ранее специалистам по работе с данными, которые хотели развернуть свои модели, для выбора правильной конфигурации адреса приходилось запускать тесты производительности вручную. Сперва им требовалось выбрать правильный тип ML-инстанса из более 70 доступных исходя из требований к ресурсам для своих моделей и образцов полезных данных, а затем – оптимизировать модель с учетом разного аппаратного обеспечения. После этого им нужно было провести обширные тесты нагрузок, чтобы убедиться в соблюдении требований касательно задержки и пропускной способности, а также обеспечить низкие расходы. SageMaker Inference Recommender упрощает этот процесс, чтобы вы смогли: 1) начать работу с рекомендацией по инстансу в течение нескольких минут; 2) провести тесты нагрузок для разных типов инстансов с целью получения рекомендаций по конфигурации адреса в течение нескольких часов; 3) автоматически настроить параметры сервера для контейнера и модели, а также выполнить оптимизации моделей для заданного типа инстанса.

Вопрос. Как SageMaker Inference Recommender взаимодействует с другими сервисами AWS?

Специалисты по работе с данными могут получать доступ к SageMaker Inference Recommender из SageMaker Studio, AWS SDK for Python (Boto3) или AWS CLI. Они могут получать рекомендации по развертыванию в пределах SageMaker Studio в реестре моделей SageMaker для зарегистрированных их версий. Специалисты по работе с данными могут осуществлять поиск рекомендаций и фильтровать их с помощью SageMaker Studio, AWS SDK или AWS CLI.

Вопрос. Возможна ли в сервисе SageMaker Inference Recommender поддержка адресов для нескольких моделей или контейнеров?

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

Вопрос. Какой тип адресов поддерживает SageMaker Inference Recommender?

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

Вопрос. Можно ли использовать SageMaker Inference Recommender в одном регионе и тестировать производительность в других регионах?

При запуске мы обеспечиваем поддержку всех регионов, которые поддерживаются в SageMaker, кроме регионов AWS Китай.

Вопрос. Поддерживает ли SageMaker Inference Recommender инстансы Amazon EC2 Inf1?

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 SageMaker Neo. После получения скомпилированной модели для целевого объекта Inferentia и связанного с ней URI образа контейнера можно использовать SageMaker Inference Recommender с целью тестирования производительности для различных типов инстансов Inferentia.


Вопрос. Что такое Amazon SageMaker Model Monitor?

Amazon SageMaker Model Monitor позволяет разработчикам обнаруживать и устранять концептуальное отклонение. SageMaker Model Monitor автоматически обнаруживает концептуальные отклонения в развернутых моделях и выдает подробные оповещения, которые помогают определить источник проблемы. Все модели, прошедшие обучение в SageMaker, автоматически генерируют основные метрики, которые можно собирать и просматривать в SageMaker Studio. Внутри SageMaker Studio можно настроить собираемые данные, способы их просмотра и ситуации, которые будут генерировать отправку оповещений.

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.

Вопрос. Что такое пакетное преобразование?

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.

Вопрос. Что такое Amazon SageMaker Edge Manager?

Amazon SageMaker Edge Manager – это функция Amazon SageMaker, которая упрощает оптимизацию, защиту, мониторинг и обслуживание моделей машинного обучения на большом числе периферийных устройств (интеллектуальные камеры, роботы, персональные компьютеры и мобильные устройства). SageMaker Edge Manager помогает разработчикам машинного обучения работать с моделями ML на множестве периферийных устройств в любом масштабе.

Вопрос. Как начать работу с SageMaker Edge Manager?

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.

Вопрос. Какие устройства поддерживает SageMaker Edge Manager?

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

Вопрос. Нужно ли использовать Amazon SageMaker для обучения модели, чтобы применить Amazon SageMaker Edge Manager?

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

Вопрос. Нужно ли использовать Amazon SageMaker Neo для компиляции модели, чтобы применить Amazon SageMaker Edge Manager?

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

Вопрос. Как выполняется развертывание модели на периферийных устройствах?

Amazon SageMaker Edge Manager 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.

Вопрос. Чем Amazon SageMaker Edge Manager SDK отличается от среды выполнения SageMaker Neo (dlr)?

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

Вопрос. Как Amazon SageMaker Edge Manager связан с AWS IoT Greengrass?

Amazon SageMaker Edge Manager и AWS IoT Greengrass могут совместно работать в вашем решении для Интернета вещей. Упаковав модель машинного обучения с помощью SageMaker Edge Manager, 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 SageMaker Edge Manager помогает контролировать и поддерживать модели ML на этих устройствах.

Вопрос. Как Amazon SageMaker Edge Manager связан с AWS Panorama? В каких случаях следует использовать Amazon SageMaker Edge Manager, а в каких – AWS Panorama?

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. 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 Amazon SageMaker Edge Manager. Управляемый сервис SageMaker Edge Manager 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. SageMaker Edge Manager позволяет применить всю мощь SageMaker для создания, обучения моделей и их развертывания на периферийных устройствах через облако.

Вопрос. В каких регионах AWS доступен Amazon SageMaker Edge Manager?

Amazon SageMaker Edge Manager доступен в шести регионах AWS: Восток США (Сев. Вирджиния), Восток США (Огайо), Запад США (Орегон), ЕС (Ирландия), ЕС (Франкфурт) и Азия и Тихий океан (Токио). Подробнее см. в таблице регионов AWS.

Вопрос. Что такое Amazon SageMaker Neo?

Amazon 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.

Вопрос. Как начать работу с Amazon SageMaker Neo?

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

Вопрос. Каковы основные компоненты Amazon SageMaker Neo?

Amazon SageMaker Neo состоит из двух основных компонентов: компилятора и среды выполнения. Во-первых, компилятор 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 Neo загружает артефакты, созданные компилятором: определение модели, параметры, а также общую библиотеку объектов для выполнения модели.

Вопрос. Требуется ли использовать Amazon SageMaker для обучения модели, чтобы применить Amazon SageMaker Neo для преобразования модели?

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

Вопрос. Какие модели поддерживает Amazon SageMaker Neo?

В настоящее время Amazon 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 Amazon 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.

Вопрос. Какие аппаратные платформы поддерживает Amazon SageMaker Neo?

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

Вопрос. В каких регионах AWS доступен Amazon SageMaker Neo?

Список поддерживаемых регионов вы найдете в таблице регионов AWS.

Тарифы Amazon SageMaker Savings Plans

Вопрос. Что такое тарифы Amazon SageMaker Savings Plans?

Amazon SageMaker Savings Plans предлагает гибкую модель ценообразования на основе использования для Amazon SageMaker, применяемую при условии, что клиент обязуется использовать постоянный объем вычислительных ресурсов (измеряемый в USD/час) на протяжении одного года или трех лет. Amazon SageMaker Savings Plans – это самый гибкий вариант, помогающий экономить до 64 %. Эти тарифы автоматически применяются к соответствующим инстансам SageMaker ML, включая SageMaker Studio Notebooks, SageMaker On-Demand Notebooks, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference и SageMaker Batch Transform, независимо от семейства инстансов, размера и региона. Например, для обработки рабочих нагрузок, связанных с получением логических выводов, вместо инстанса ml.c5.xlarge, работающего в регионе Восток США (Огайо), можно в любое время перейти к использованию инстанса ml.Inf1 в регионе Запад США (Орегон) и автоматически продолжать пользоваться тарифами Savings Plans.

Вопрос. В каких случаях рекомендуется использовать Amazon SageMaker Savings Plans?

Если вы с определенной частотой (измеряемой в USD в час) используете инстансы Amazon SageMaker и несколько компонентов SageMaker или ожидаете, что ваша конфигурация (например, семейство инстансов, регион) будет со временем меняться, тарифы SageMaker Savings Plans позволят вам получить максимальную экономию при одновременном обеспечении гибкости изменения конфигурации базовых технологий с учетом потребностей приложений и внедрения инноваций. Тарифы Savings Plans применяется автоматически ко всем подходящим инстансам машинного обучения без какого-либо ручного вмешательства.

Вопрос. Как начать работу с тарифами Amazon SageMaker Savings Plans?

Тарифы Savings Plans можно подключить в AWS Cost Explorer на Консоли управления или с помощью API либо командной строки. Пользуясь рекомендациями в AWS Cost Explorer, вы без труда выберете оптимальные обязательства по Savings Plans, чтобы добиться максимальной экономии средств. Рекомендуемые почасовые обязательства основаны на вашей истории использования ресурсов по требованию и личном выборе типа плана, срока действия и способа оплаты. После регистрации плана оплаты по схеме Savings Plans плата за использование вычислительных ресурсов автоматически станет начисляться в соответствии с льготными ценами этого плана, а превышение выбранного объема будет оплачиваться по тарифам схемы по требованию.

Вопрос: Чем отличаются тарифы Savings Plan для Amazon SageMaker от Compute Savings Plans для Amazon EC2?

Разница между тарифами Savings Plans для Amazon SageMaker и EC2 заключается в перечне поддерживаемых ими сервисов. Тарифы SageMaker Savings Plans применяются только к использованию инстансов машинного обучения SageMaker.

Вопрос. Как тарифы Savings Plans работают с AWS Organizations и консолидированной оплатой?

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 тарифов Savings Plans только аккаунтом, в котором они были приобретены.

Подробнее о ценах на Amazon SageMaker

Перейти на страницу цен
Готовы начать?
Регистрация
Возникли дополнительные вопросы?
Связаться с нами