Amazon SageMaker Canvas

สร้างโมเดล ML ที่แม่นยำสูงโดยใช้อินเทอร์เฟซภาพ ไม่ต้องเขียนโค้ด

SageMaker Canvas คืออะไร

Amazon SageMaker Canvas ช่วยให้คุณสามารถแปลงข้อมูลในระดับเพตาไบต์ และสร้าง ประเมิน และปรับใช้โมเดลแมชชีนเลิร์นนิง (ML) ที่พร้อมใช้งานจริงโดยไม่ต้องเขียนโค้ด ช่วยปรับกระบวนการวงจรชีวิต ML แบบครบวงจรให้มีประสิทธิภาพในสภาพแวดล้อมองค์กรที่เป็นหนึ่งเดียวและปลอดภัย ด้วย Amazon Q Developer ที่มีให้บริการใน SageMaker Canvas แล้ว คุณสามารถรับคำแนะนำตลอดกระบวนการ ML ของคุณได้ ตั้งแต่การเตรียมข้อมูลไปจนถึงการปรับใช้โมเดล โดยใช้การแชทสนทนา

SageMaker Canvas ช่วยส่งเสริมการทำงานร่วมกันระหว่างทีมต่าง ๆ ให้ความโปร่งใสในโค้ดที่สร้างขึ้น และรับรองการกำกับดูแลผ่านการกำหนดเวอร์ชันและการควบคุมการเข้าถึงของโมเดล ด้วย SageMaker Canvas คุณสามารถเร่งนวัตกรรมและแก้ไขปัญหาทางธุรกิจได้รวดเร็วยิ่งขึ้นโดยกระจายการพัฒนา ML ให้ครอบคลุมทุกระดับทักษะ และไม่คำนึงถึงความเชี่ยวชาญในการเขียนโค้ด

ประโยชน์ของ SageMaker Canvas

สร้างตลอดวงจรชีวิตของ ML

ใช้ประโยชน์จากความสามารถของแมชชีนเลิร์นนิงแบบครบวงจร รวมไปถึงการเตรียมข้อมูลด้วย SageMaker Data Wrangler และการฝึกโมเดล AutoML ด้วย SageMaker Autopilot ทั้งหมดนี้ผ่านอินเทอร์เฟซแบบภาพและไม่ต้องใช้โค้ด นอกจากนี้คุณยังสามารถใช้ Amazon Q Developer เพื่อรับความช่วยเหลือที่ขับเคลื่อนด้วย AI ช่วยสร้างสำหรับการสร้างโมเดล ML ได้ เพียงระบุเป้าหมายของคุณด้วยภาษาธรรมชาติ และ Q Developer จะแบ่งและแปลเป็นชุดงาน ML Q Developer จะแนะนำคุณในการกำหนดประเภทปัญหา ML เตรียมข้อมูล และการสร้าง ประเมิน และการปรับใช้โมเดลของคุณ

1

Sagemaker- ขั้นตอน

เตรียมข้อมูลของคุณในรูปแบบภาพในระดับเพตาไบต์

  • เข้าถึงและนำเข้าข้อมูลจากแหล่งที่มากว่า 50 แหล่งรวมถึง Amazon S3, Athena, Redshift, Snowflake และ Databricks
  • ปรับปรุงคุณภาพของข้อมูลและประสิทธิภาพของโมเดลด้วยการวิเคราะห์และการเปลี่ยนแปลงที่สร้างไว้ล่วงหน้ากว่า 300 รายการ
  • สร้างและปรับแต่งข้อมูลของคุณด้วยภาพด้วยอินเทอร์เฟซแบบใช้โค้ดน้อย/ไม่ต้องเขียนโค้ดที่ใช้งานง่าย
  • ปรับขนาดข้อมูลขนาดเพตาไบต์ด้วยไม่กี่คลิก

2

Sagemaker- ขั้นตอน

ฝึกและประเมินโมเดลในหลายประเภทปัญหา

  • ใช้พลังของ AutoML เพื่อสำรวจและเพิ่มประสิทธิภาพโมเดลโดยอัตโนมัติสำหรับกรณีการใช้งานเฉพาะของคุณ
  • ฝึกโมเดลสำหรับการถดถอย การจำแนกประเภท การพยากรณ์อนุกรมเวลา การประมวลผลภาษาที่เป็นธรรมชาติ การมองเห็นด้วยคอมพิวเตอร์ และการปรับโมเดลพื้นฐานที่ละเอียดด้วยการคลิกเพียงไม่กี่ครั้ง
  • ปรับแต่งการฝึกแบบจำลองของคุณด้วยตัวเลือกที่ยืดหยุ่นสำหรับเมตริกวัตถุประสงค์ การแบ่งข้อมูล และการควบคุมแบบจำลอง เช่น การเลือกอัลกอริทึมและไฮเปอร์พารามิเตอร์
  • รับข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพของโมเดลด้วยภาพเชิงโต้ตอบและคำอธิบายโมเดล
  • เลือกโมเดลที่มีประสิทธิภาพดีที่สุดจากกระดานผู้นำโมเดล และส่งออกโค้ดที่สร้างขึ้นเพื่อปรับแต่งเพิ่มเติม

3

Q Developer

การพัฒนา ML ที่แนะนำการแชทกับ Amazon Q Developer

  • อธิบายปัญหาทางธุรกิจของคุณด้วยภาษาธรรมชาติ และปล่อยให้ Amazon Q Developer ให้คำแนะนำคุณในการแก้ปัญหาตลอดกระบวนการ ML โดยใช้อินเทอร์เฟซการแชท
  • นักพัฒนา Q แบ่งปัญหาออกเป็นงาน ML ที่สามารถดำเนินการได้ และช่วยในการจัดเตรียมข้อมูล การสร้างโมเดล การประเมิน และการปรับใช้
  • ถามคำถามและรับคำตอบเกี่ยวกับข้อกำหนด ML และข้อมูลและโมเดลของคุณ
  • Q Developer ใช้เทคนิคการเตรียมข้อมูลขั้นสูงและสร้างโมเดลในขณะที่อนุญาตให้ควบคุมอย่างเต็มที่ในการดำเนินการงานด้วยตัวคุณเอง

4

Sagemaker- ขั้นตอน

สร้างการคาดการณ์ที่ถูกต้องตามขนาด - แบบแบทช์หรือแบบเรียลไทม์

  • ดำเนินการทำนายแบบโต้ตอบและวิเคราะห์แบบ What-if โดยตรงภายในแอปพลิเคชัน
  • ปรับใช้โมเดลด้วยการคลิกเพียงครั้งเดียวไปยังตำแหน่งข้อมูลของ SageMaker เพื่อการอนุมานแบบเรียลไทม์ หรือรันการคาดการณ์แบบแบทช์เฉพาะกิจหรือด้วยกำหนดการอัตโนมัติ
  • รับรองการกำกับดูแลและการควบคุมเวอร์ชันโดยการลงทะเบียนโมเดลใน SageMaker Model Registry
  • แชร์โมเดลอย่างราบรื่นกับ Amazon SageMaker Studio เพื่อการปรับแต่งและการทำงานร่วมกันขั้นสูง
  • แสดงภาพและแบ่งปันการคาดการณ์กับผู้มีส่วนได้ส่วนได้ส่วนเสียโดยใช้ Amazon QuickSight เพื่อการตัดสินใจที่ดียิ่งขึ้น

ร่วมมือและรับรองการกำกับดูแล

เผยแพร่ ML ให้แพร่หลายไปพร้อมกับส่งเสริมการทำงานร่วมกันระหว่างทีม เปิดใช้งานการแบ่งปันโมเดลและการบูรณาการกับบริการ AWS อื่นๆ สำหรับการกำกับดูแลและ MLOps

1

Sagemaker- ขั้นตอน

ส่งเสริมการทำงานร่วมกันข้ามทีมและการแบ่งปันความรู้

  • ร่วมมือกับนักวิทยาศาสตร์ข้อมูลและผู้เชี่ยวชาญผ่านการแบ่งปันโมเดลที่ง่ายดายด้วย SageMaker Studio
  • ใช้แบบจำลองที่สร้างโดยนักวิทยาศาสตร์ข้อมูลภายในพื้นที่ทำงาน Canvas เพื่อสร้างการคาดการณ์
  • เพิ่มความน่าเชื่อถือด้วยความโปร่งใสของโค้ดด้วยสมุดบันทึกที่สร้างโดยอัตโนมัติ
  • แบ่งปันแบบจำลอง การคาดการณ์ และข้อมูลเชิงลึกกับผู้มีส่วนได้ส่วนเสียผ่านแดชบอร์ด Amazon QuickSight
  • รักษาการควบคุมเวอร์ชันและการติดตามลำดับรุ่นของโมเดล เพื่อให้มั่นใจถึงความสามารถในการทำซ้ำและการตรวจสอบย้อนกลับระหว่างทีมต่าง ๆ

2

Sagemaker- ขั้นตอน

ทำให้มั่นใจถึงการกำกับดูแลและแนวทางปฏิบัติที่ดีที่สุดของ MLOps

  • ใช้สิทธิ์ระดับผู้ใช้แบบละเอียดและการควบคุมการเข้าถึงเพื่อการจัดการโมเดลที่ปลอดภัย
  • เปิดใช้งานการรับรองความถูกต้องอย่างราบรื่นด้วยขีดความสามารถในการลงชื่อเข้าใช้ครั้งเดียว (SSO)
  • ปฏิบัติตามการกำกับดูแลโมเดลและการสร้างเวอร์ชันโดยการลงทะเบียนโมเดลใน SageMaker Model Registry
  • ปรับปรุงกระบวนการ MLOps โดยการส่งออกสมุดบันทึกโมเดลเพื่อการปรับแต่งและการบูรณาการเพิ่มเติม
  • เพิ่มประสิทธิภาพด้านต้นทุนและการใช้ทรัพยากรด้วยคุณสมบัติการปิดเครื่องอัตโนมัติ

สร้างด้วยโมเดลพื้นฐาน

  • เปรียบเทียบและเลือกรูปแบบพื้นฐานที่เหมาะสมที่สุดสำหรับงานของคุณได้อย่างง่ายดาย
  • ปรับโมเดลพื้นฐานอย่างละเอียดโดยใช้ชุดข้อมูลการฝึกอบรมที่มีป้ายกำกับของคุณสำหรับกรณีการใช้งานทางธุรกิจได้ในไม่กี่คลิก
ภาพ Sagemaker

ใช้ประโยชน์จาก AI ช่วยสร้างของคุณ

  • สืบค้นเอกสารและฐานความรู้ของคุณเองที่เก็บไว้ใน Amazon Kendra เพื่อสร้างผลลัพธ์ที่ปรับแต่งตามต้องการ
  • รับข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพของโมเดลด้วยภาพเชิงโต้ตอบ คำอธิบายโมเดล และลีดเดอร์บอร์ด
  • สร้างและปรับใช้โมเดลพื้นฐานที่เหมาะสมที่สุดกับตำแหน่งข้อมูล SageMaker แบบเรียลไทม์
ภาพ Sagemaker

กรณีใช้งาน

ลูกค้า

เข้าถึง FM ที่พร้อมใช้งาน โมเดลการคาดการณ์ หรือสร้างโมเดลแบบกำหนดเองเพื่อสร้างข้อมูลเชิงลึกที่ขับเคลื่อนด้วย AI โดยใช้อินเทอร์เฟซแบบภาพและไม่ต้องเขียนโค้ด