- แมชชีนเลิร์นนิง›
- Amazon SageMaker AI›
- คุณสมบัติของ Amazon SageMaker Canvas
คุณสมบัติของ Amazon SageMaker Canvas
สร้างโมเดล ML ที่แม่นยำสูงโดยใช้อินเทอร์เฟซภาพ ไม่ต้องเขียนโค้ด
การพัฒนา ML ที่ขับเคลื่อนด้วยแชทด้วย Amazon Q Developer
แปลปัญหาทางธุรกิจเป็นเวิร์กโฟลว์ ML
Amazon Q Developer ช่วยแก้ไขช่องว่างระหว่างความท้าทายทางธุรกิจกับโมเดล ML แปลปัญหาทางธุรกิจให้เป็นเวิร์กโฟลว์ ML ทีละขั้นตอนอย่างเชี่ยวชาญ และอธิบายคำศัพท์ ML โดยใช้ภาษาที่ไม่ใช่ภาษาเชิงเทคนิค
สร้างโมเดล ML โดยใช้เวิร์กโฟลว์ที่แนะนำ
Amazon Q Developer ให้คำแนะนำผู้ใช้อย่างเชี่ยวชาญทุกขั้นตอนของการพัฒนาโมเดล ตั้งแต่การเตรียมข้อมูลไปจนถึงการสร้าง การฝึก และการปรับใช้โมเดล ML Amazon Q Developer ใช้อินเทอร์เฟซการแชทเพื่อให้ความช่วยเหลือตามบริบท และช่วยให้ผู้ใช้สามารถนำทางเวิร์กโฟลว์ ML แบบครบวงจรเพื่อสร้างโมเดล ML ที่พร้อมใช้งานจริง
แนวทางปฏิบัติที่ดีที่สุดด้านวิทยาศาสตร์ข้อมูล
เครื่องมือสร้างไปป์ไลน์แบบกำหนดได้และเทคนิค AutoML ขั้นสูงของ Amazon Q Developer รองรับการสร้างซ้ำและความแม่นยำในการสร้างโมเดล ด้วยการเสริมศักยภาพให้ผู้ใช้ด้วยความสามารถทางวิทยาศาสตร์ข้อมูลขั้นสูง Q Developer ช่วยให้สามารถทดลองได้อย่างรวดเร็วในขณะที่ยังคงรักษาความไว้วางใจในยูทิลิตี้ของโมเดล
ความโปร่งใสในเวิร์กโฟลว์ ML
Amazon Q Developer รักษาอาร์ทิแฟกต์ต่าง ๆ เช่น ชุดข้อมูลต้นฉบับและที่ได้รับการแปลง รวมถึงไปป์ไลน์การเตรียมข้อมูลที่สร้างขึ้นโดยใช้ภาษาธรรมชาติ นอกจากนี้ โมเดลที่สร้างโดยใช้ Q Developer สามารถลงทะเบียนใน SageMaker Model Registry ได้ และสามารถส่งออกโน้ตบุ๊คโมเดลเพื่อปรับแต่งและรวมเพิ่มเติมได้
เตรียมข้อมูล
แหล่งที่มาของข้อมูล
การสร้างภาพจากข้อมูล
การแปลงข้อมูลแบบไม่ต้องเขียนโค้ด
ไปป์ไลน์ข้อมูล
เข้าถึงและสร้างโมเดล ML
โมเดล ML ที่กำหนดเอง
โมเดลแบบตาราง CV และ NLP พร้อมใช้งาน
SageMaker Canvas ให้การเข้าถึงโมเดลแบบตาราง NLP และ CV พร้อมใช้งานสำหรับกรณีการใช้งานรวมถึงการวิเคราะห์ความรู้สึก การตรวจจับวัตถุในรูปภาพ การตรวจจับข้อความในรูปภาพและการแยกเอนติตี้ โมเดลที่พร้อมใช้งานไม่จำเป็นต้องสร้างโมเดล และได้รับการขับเคลื่อนโดยบริการ AWS AI รวมถึง Amazon Rekognition, Amazon Textract และ Amazon Comprehend
การประเมินโมเดล
หลังจากที่คุณสร้างโมเดลแล้ว คุณสามารถประเมินว่าโมเดลของคุณทำงานได้ดีเพียงใดก่อนที่จะนำไปใช้ในการผลิตโดยใช้ข้อมูลของบริษัท คุณสามารถเปรียบเทียบการตอบสนองโมเดลได้อย่างง่ายดายและเลือกการตอบสนองที่ดีที่สุดสำหรับความต้องการของคุณ
โมเดลพื้นฐาน
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
การวิเคราะห์แบบ what-if แบบโต้ตอบและการคาดการณ์แบบแบทช์
SageMaker Canvas นำเสนอการวิเคราะห์แบบ what-if แบบภาพ เพื่อให้คุณสามารถเปลี่ยนอินพุตโมเดลและทำความเข้าใจว่าการเปลี่ยนแปลงส่งผลต่อการคาดการณ์ของแต่ละบุคคลอย่างไร คุณสามารถสร้างการคาดการณ์แบบแบทช์อัตโนมัติสำหรับชุดข้อมูลทั้งหมด และเมื่อมีการอัปเดตชุดข้อมูล โมเดล ML ของคุณจะได้รับการอัปเดตโดยอัตโนมัติ หลังจากอัปเดตโมเดล ML แล้ว คุณสามารถตรวจสอบการคาดการณ์ที่ได้รับการอัปเดตได้จากอินเทอร์เฟซแบบไม่ต้องเขียนโค้ดของ SageMaker Canvas
สนับสนุนการคาดการณ์แบบเรียลไทม์
การผสานรวม Amazon QuickSight
แชร์โมเดลการคาดการณ์กับ Amazon QuickSight เพื่อสร้างแดชบอร์ดที่รวมข้อมูลธุรกิจแบบดั้งเดิมและข้อมูลเชิงคาดการณ์ไว้ในภาพเชิงโต้ตอบเดียวกัน นอกจากนี้ สามารถแชร์โมเดล SageMaker Canvas และผสานรวมเข้าด้วยกันโดยตรงใน QuickSight ทำให้นักวิเคราะห์สามารถสร้างการคาดการณ์ที่แม่นยำสูงสำหรับข้อมูลใหม่ภายในแดชบอร์ด QuickSight
ใช้ประโยชน์จาก MLOP
การผสานรวม SageMaker Model Registry
คุณสามารถลงทะเบียนโมเดล ML ที่สร้างใน SageMaker Canvas ไปยังSageMaker Model Registry ได้ด้วยการคลิกเพียงครั้งเดียวเพื่อผสานรวมโมเดลเข้ากับกระบวนการการนำไปใช้จริงโมเดล CI/CD ที่มีอยู่
การแชร์โมเดลกับ SageMaker Studio
คุณสามารถแชร์โมเดล SageMaker Canvas ของคุณกับนักวิทยาศาสตร์ข้อมูลที่ใช้ SageMaker Studio ได้ จากนั้นนักวิทยาศาสตร์ข้อมูลจะสามารถตรวจสอบ อัปเดต และแบ่งปันโมเดลที่อัปเดตกับคุณหรือปรับใช้โมเดลของคุณเพื่ออนุมานได้