คุณสมบัติของ Amazon SageMaker Canvas

สร้างโมเดล ML ที่แม่นยำสูงโดยใช้อินเทอร์เฟซภาพ ไม่ต้องเขียนโค้ด

การพัฒนา ML ที่ขับเคลื่อนด้วยแชทด้วย Amazon Q Developer

Amazon Q Developer ช่วยแก้ไขช่องว่างระหว่างความท้าทายทางธุรกิจกับโมเดล ML แปลปัญหาทางธุรกิจให้เป็นเวิร์กโฟลว์ ML ทีละขั้นตอนอย่างเชี่ยวชาญ และอธิบายคำศัพท์ ML โดยใช้ภาษาที่ไม่ใช่ภาษาเชิงเทคนิค

Amazon Q Developer ให้คำแนะนำผู้ใช้อย่างเชี่ยวชาญทุกขั้นตอนของการพัฒนาโมเดล ตั้งแต่การเตรียมข้อมูลไปจนถึงการสร้าง การฝึก และการปรับใช้โมเดล ML Amazon Q Developer ใช้อินเทอร์เฟซการแชทเพื่อให้ความช่วยเหลือตามบริบท และช่วยให้ผู้ใช้สามารถนำทางเวิร์กโฟลว์ ML แบบครบวงจรเพื่อสร้างโมเดล ML ที่พร้อมใช้งานจริง

เครื่องมือสร้างไปป์ไลน์แบบกำหนดได้และเทคนิค AutoML ขั้นสูงของ Amazon Q Developer รองรับการสร้างซ้ำและความแม่นยำในการสร้างโมเดล ด้วยการเสริมศักยภาพให้ผู้ใช้ด้วยความสามารถทางวิทยาศาสตร์ข้อมูลขั้นสูง Q Developer ช่วยให้สามารถทดลองได้อย่างรวดเร็วในขณะที่ยังคงรักษาความไว้วางใจในยูทิลิตี้ของโมเดล

Amazon Q Developer รักษาอาร์ทิแฟกต์ต่าง ๆ เช่น ชุดข้อมูลต้นฉบับและที่ได้รับการแปลง รวมถึงไปป์ไลน์การเตรียมข้อมูลที่สร้างขึ้นโดยใช้ภาษาธรรมชาติ นอกจากนี้ โมเดลที่สร้างโดยใช้ Q Developer สามารถลงทะเบียนใน SageMaker Model Registry ได้ และสามารถส่งออกโน้ตบุ๊คโมเดลเพื่อปรับแต่งและรวมเพิ่มเติมได้

เตรียมข้อมูล

SageMaker Canvas เชื่อมต่อกับแหล่งที่มาของข้อมูลมากกว่า 50 แหล่งหรือคุณสามารถอัปโหลดไฟล์ท้องถิ่นเพื่อฝึกฝนโมเดล ML ของคุณ สนับสนุนข้อมูลตาราง รูปภาพหรือข้อความ คุณยังสามารถเขียนการสืบค้นเพื่อเข้าถึงแหล่งที่มาของข้อมูลโดยใช้ SQL และนำเข้าข้อมูลโดยตรงในรูปแบบไฟล์ต่าง ๆ เช่น CSV, Parquet, ORC และ JSON และตารางฐานข้อมูล
ผ่านอินเทอร์เฟซแบบไม่ต้องเขียนโค้ด SageMaker Canvas คุณสามารถสำรวจ แสดงภาพ และวิเคราะห์ข้อมูลโดยใช้การแสดงภาพในตัวหรือแบบกำหนดเอง ด้วยการคลิกเพียงครั้งเดียว คุณสามารถสร้างรายงานคุณภาพของข้อมูลและข้อมูลเชิงลึกเพื่อตรวจสอบคุณภาพของข้อมูล เช่น ตรวจสอบให้แน่ใจว่าชุดข้อมูลไม่มีค่าที่ขาดหายไปหรือแถวที่ซ้ำกัน และยังตรวจจับความผิดปกติ เช่น ความไม่สมดุลของคลาส และการรั่วไหลของข้อมูล
SageMaker Canvas นำเสนอการแปลงข้อมูลที่ใช้ PySpark ที่สร้างไว้ล่วงหน้ากว่า 300 แบบ เพื่อให้คุณสามารถแปลงข้อมูลของคุณได้โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว หรือคุณสามารถใช้อินเทอร์เฟซการแชทที่ขับเคลื่อนโดยโมเดลพื้นฐานเพื่อเตรียมข้อมูลของคุณ
SageMaker Canvas ทำให้การเปิดหรือกำหนดตารางเวิร์กโฟลว์การเตรียมข้อมูลเพื่อประมวลผลข้อมูลของคุณทำได้ง่ายและรวดเร็วและปรับขนาดการเตรียมข้อมูลในชุดข้อมูล ส่งออกไปยังโน้ตบุ๊ก SageMaker Studio หรือรวมเข้ากับ SageMaker Pipeline

เข้าถึงและสร้างโมเดล ML

ผ่านอินเทอร์เฟซแบบไม่ต้องเขียนโค้ด SageMaker Canvas คุณสามารถสร้างโมเดล ML ที่กำหนดเองโดยอัตโนมัติโดยใช้ข้อมูลของบริษัทของคุณ เมื่อคุณเลือกและเตรียมข้อมูลและระบุสิ่งที่คุณต้องการคาดการณ์แล้ว SageMaker Canvas จะระบุประเภทปัญหา ทดสอบโมเดล ML หลายร้อยแบบตามประเภทปัญหา (โดยใช้เทคนิค ML เช่น การถดถอยเชิงเส้น การถดถอยทางโลจิสติก การเรียนรู้เชิงลึก การพยากรณ์อนุกรมเวลา และการเพิ่มแบบไล่ระดับ) และสร้างโมเดลที่กำหนดเองที่ทำการคาดการณ์อย่างถูกต้องที่สุดตามชุดข้อมูลของคุณ หรือคุณสามารถนำโมเดลที่สร้างไว้ก่อนหน้านี้ของคุณเองไปยัง SageMaker Canvas และปรับใช้โมเดลเพื่ออนุมานได้

SageMaker Canvas ให้การเข้าถึงโมเดลแบบตาราง NLP และ CV พร้อมใช้งานสำหรับกรณีการใช้งานรวมถึงการวิเคราะห์ความรู้สึก การตรวจจับวัตถุในรูปภาพ การตรวจจับข้อความในรูปภาพและการแยกเอนติตี้ โมเดลที่พร้อมใช้งานไม่จำเป็นต้องสร้างโมเดล และได้รับการขับเคลื่อนโดยบริการ AWS AI รวมถึง Amazon Rekognition, Amazon Textract และ Amazon Comprehend

หลังจากที่คุณสร้างโมเดลแล้ว คุณสามารถประเมินว่าโมเดลของคุณทำงานได้ดีเพียงใดก่อนที่จะนำไปใช้ในการผลิตโดยใช้ข้อมูลของบริษัท คุณสามารถเปรียบเทียบการตอบสนองโมเดลได้อย่างง่ายดายและเลือกการตอบสนองที่ดีที่สุดสำหรับความต้องการของคุณ

SageMaker Canvas ให้การเข้าถึงโมเดลพื้นฐาน (FM) ที่พร้อมใช้งานสำหรับการสร้างเนื้อหา การแยกข้อความ และการสรุปข้อความ คุณสามารถเข้าถึง FM อย่างเช่น Claude 2, Llama-2, Amazon Titan, Jurassic-2 และ Command (ขับเคลื่อนโดย Amazon Bedrock) รวมถึง FM ที่เผยแพร่ต่อสาธารณะ เช่น Falcon, Flan-T5, Mistral, Dolly และ MPT (ขับเคลื่อนโดย SageMaker JumpStart) และปรับจูนโดยใช้ข้อมูลของตนเองได้

สร้างการคาดการณ์ ML

SageMaker Canvas นำเสนอการวิเคราะห์แบบ what-if แบบภาพ เพื่อให้คุณสามารถเปลี่ยนอินพุตโมเดลและทำความเข้าใจว่าการเปลี่ยนแปลงส่งผลต่อการคาดการณ์ของแต่ละบุคคลอย่างไร คุณสามารถสร้างการคาดการณ์แบบแบทช์อัตโนมัติสำหรับชุดข้อมูลทั้งหมด และเมื่อมีการอัปเดตชุดข้อมูล โมเดล ML ของคุณจะได้รับการอัปเดตโดยอัตโนมัติ หลังจากอัปเดตโมเดล ML แล้ว คุณสามารถตรวจสอบการคาดการณ์ที่ได้รับการอัปเดตได้จากอินเทอร์เฟซแบบไม่ต้องเขียนโค้ดของ SageMaker Canvas

คุณสามารถปรับใช้โมเดล SageMaker Canvas ของคุณกับตำแหน่งข้อมูล SageMaker เพื่อการอนุมานแบบเรียลไทม์

แชร์โมเดลการคาดการณ์กับ Amazon QuickSight เพื่อสร้างแดชบอร์ดที่รวมข้อมูลธุรกิจแบบดั้งเดิมและข้อมูลเชิงคาดการณ์ไว้ในภาพเชิงโต้ตอบเดียวกัน นอกจากนี้ สามารถแชร์โมเดล SageMaker Canvas และผสานรวมเข้าด้วยกันโดยตรงใน QuickSight ทำให้นักวิเคราะห์สามารถสร้างการคาดการณ์ที่แม่นยำสูงสำหรับข้อมูลใหม่ภายในแดชบอร์ด QuickSight

ใช้ประโยชน์จาก MLOP

คุณสามารถลงทะเบียนโมเดล ML ที่สร้างใน SageMaker Canvas ไปยังSageMaker Model Registry ได้ด้วยการคลิกเพียงครั้งเดียวเพื่อผสานรวมโมเดลเข้ากับกระบวนการการนำไปใช้จริงโมเดล CI/CD ที่มีอยู่

คุณสามารถแชร์โมเดล SageMaker Canvas ของคุณกับนักวิทยาศาสตร์ข้อมูลที่ใช้ SageMaker Studio ได้ จากนั้นนักวิทยาศาสตร์ข้อมูลจะสามารถตรวจสอบ อัปเดต และแบ่งปันโมเดลที่อัปเดตกับคุณหรือปรับใช้โมเดลของคุณเพื่ออนุมานได้