Amazon SageMaker

Machine Learning สำหรับ Developer และ Data Scientist

Amazon SageMaker มอบความสามารถในการสร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning ได้อย่างรวดเร็วให้กับ Developer และ Data Scientist ทุกคน Amazon SageMaker คือบริการที่มีการจัดการเต็มรูปแบบซึ่งครอบคลุมเวิร์กโฟลว์ Machine Learning ทั้งหมดเพื่อติดป้ายและจัดเตรียมข้อมูลของคุณ เลือกอัลกอริธึม ฝึกฝนอัลกอริธึม ปรับและเพิ่มประสิทธิภาพเพื่อการปรับใช้ คาดการณ์ และดำเนินการ คุณจะสร้างโมเดลได้เร็วขึ้น ง่ายขึ้น และประหยัดยิ่งขึ้น

สร้าง

รวบรวมและจัดเตรียมข้อมูลการฝึกฝน

การติดป้ายข้อมูลและโน้ตบุ๊กที่เตรียมการไว้สำหรับปัญหาทั่วไป

เลือกและเพิ่มประสิทธิภาพให้กับอัลกอริธึม ML ของคุณ

โมเดลและอัลกอริธึมใน Marketplace และอัลกอริธึมประสิทธิภาพสูงในตัว

ฝึกฝน

ตั้งค่าและจัดการสภาพแวดล้อมสำหรับการฝึกฝน

การฝึกฝนเพียงคลิกเดียวบนโครงสร้างพื้นฐานที่มีประสิทธิภาพสูงสุด

ฝึกฝนและปรับโมเดล

ฝึกฝนครั้งเดียว ทำงานได้ทุกที่ และการเพิ่มประสิทธิภาพโมเดล

ปรับใช้

ปรับใช้โมเดลที่กำลังสร้างขึ้น

ปรับใช้ในคลิกเดียว

ปรับขนาดและจัดการสภาพแวดล้อมการผลิต

การจัดการเต็มรูปแบบพร้อมการปรับขนาดอัตโนมัติที่ถูกลง 75%


ลูกค้าคนสำคัญ

logo-Edmunds
logo-intuit
logo-Siemens
logo-nfl
logo-Expedia-Group
logo-liberty_mutual
logo-FI
logo-coinbase
logo-roche
logo-convoy
logo-korean_air

รวบรวมและจัดเตรียมข้อมูลการฝึกฝน

ติดป้ายข้อมูลการฝึกฝนได้อย่างรวดเร็ว

Amazon SageMaker Ground Truth ช่วยให้คุณสร้างและจัดการชุดข้อมูลการฝึกฝนที่แม่นยำสูงได้อย่างรวดเร็ว Ground Truth มอบการเข้าถึงที่ง่ายดายให้กับผู้ติดป้ายทั้งจากทางสาธารณะและส่วนตัว และมอบเวิร์กโฟลว์และอินเทอร์เฟซที่สร้างมาแล้วล่วงหน้าสำหรับงานการติดป้ายทั่วไป นอกจากนี้ Ground Truth จะเรียนรู้จากการติดป้ายของบุคคลเพื่อสร้างคำอธิบายอัตโนมัติและคุณภาพสูง เพื่อลดค่าใช้จ่ายจากการติดป้ายลงได้เป็นอย่างมาก

เรียนรู้เพิ่มเติม »
pull-70p
infographic-Ground_Truth
transparent-img-code
โน้ตบุ๊คที่มีการโฮสต์

Jupyter Notebook ที่มีการจัดการเต็มรูปแบบพร้อมเวิร์กโฟลว์และ
ตัวอย่างที่สร้างไว้ล่วงหน้าหลากหลายรายการเพื่อให้สำรวจและแสดงภาพข้อมูลการฝึกฝนของคุณได้อย่างง่ายดาย

เลือกและเพิ่มประสิทธิภาพอัลกอริธึม Machine Learning ของคุณ

Amazon SageMaker จะกำหนดค่าและเพิ่มประสิทธิภาพให้กับ TensorFlow, Apache MXNet, PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras, และ Gluon โดยอัตโนมัติ อัลกอริธึม Machine Learning ที่ใช้กันโดยทั่วไปมักจะมีอยู่ในเครื่องและปรับเพื่อการปรับขนาด ความเร็ว และความถูกต้อง พร้อมโมเดลและอัลกอริธึมที่ได้รับการฝึกล่วงหน้าเพิ่มเติมกว่าร้อยรายการซึ่งพร้อมใช้งานใน AWS Marketplace คุณยังสามารถนำอัลกอริธึมหรือเฟรมเวิร์กอื่นมาใช้ได้โดยสร้างไว้บนคอนเทนเนอร์ Docker

logo-tesnorflow
logo-mxnet
logo-pytorch
logo-chainer
logo-keras
logo-gluon
logo-horovod
pull-10x

ตั้งค่าและจัดการสภาพแวดล้อมการฝึกฝน

SageMaker_Chart_3

การฝึกฝนในคลิกเดียว

เริ่มฝึกฝนโมเดลของคุณด้วยคลิกด้วย Amazon SageMaker จัดการโครงสร้างพื้นฐานเพื่อปรับเพิ่มขนาดชุดข้อมูลขึ้นได้ถึงขนาดเพตะไบต์อย่างง่ายดาย

Amazon EC2 P3 Instance มอบ 8 NVIDIA Tesla V 100 GPU ที่เหมาะสมกับการกระจาย Machine Learning ที่รวดเร็วที่สุดในระบบคลาวด์
อินสแตนซ์ GPU ประสิทธิภาพสูงสุด
ในระบบคลาวด์
25 GBPS
อัตราการส่งข้อมูลเครือข่าย
64 vCPU ที่ปรับขนาดได้
Intel® Xeon® Skylake พร้อม AVX-512
หน่วยความจำ 16 GB
ต่อ GPU

ที่ที่ดีที่สุดเพื่อรัน TensorFlow

TensorFlow ของ AWS ผ่านการปรับปรุงเพื่อมอบประสิทธิภาพในการปรับขนาดที่คุ้มทุนมากที่สุดบนหลายร้อย GPU เพื่อทำงานในระดับคลาวด์โดยไม่ต้องจ่ายค่าใช้จ่ายทั่วไปสำหรับฝึกฝนโมเดลที่ซับซ้อนและถูกต้องแม่นยำยิ่งกว่า ในเวลาที่น้อยกว่าเดิม

STOCK TENSORFLOW
img-65p
AWS-OPTIMIZED TENSORFLOW
img-90p

ประสิทธิภาพการปรับขนาดด้วย 256 GPU

AWS SageMaker คือที่ที่ดีที่สุดในการเรียกใช้ TensorFlow ในระบบคลาวด์
จัดการให้พร้อมสมบูรณ์
ทั้งการฝึกและการโฮสต์
การปรับขนาด
กว่าร้อย GPU
ค่าใช้จ่ายในการอนุมานที่ลดลง 75%
ด้วย Amazon Elastic Inference

ปรับและเพิ่มประสิทธิภาพให้โมเดล

ปรับโมเดลของคุณโดยอัตโนมัติ

การปรับโมเดลโดยอัตโนมัติจะใช้การเรียนรู้ของเครื่องเพื่อปรับโมเดลของคุณให้ถูกต้องแม่นยำได้อย่างรวดเร็ว ความสามารถนี้ช่วยให้คุณไม่ต้องผ่านกระบวนการลองผิดลองถูกที่น่าเบื่อจากการปรับพารามิเตอร์โมเดลด้วยตนเอง เพราะการปรับโมเดลโดยอัตโนมัติจะเพิ่มประสิทธิภาพให้กับไฮเปอร์พารามิเตอร์ด้วยการเจาะลึกคุณสมบัติที่น่าสนใจในข้อมูลของคุณ และเรียนรู้ว่าการโต้ตอบของคุณสมบัติเหล่านั้นส่งผลต่อความแม่นยำอย่างไร ผ่านการเรียกใช้การฝึกฝนหลายๆ ครั้ง คุณจะประหยัดเวลาไปได้หลายวัน หรือกระทั่งหลายสัปดาห์ เพื่อเพิ่มคุณภาพให้กับโมเดลที่ได้รับการฝึกฝน

ฝึกฝนครั้งเดียว ทำงานได้ทุกที่

Amazon SageMaker Neo ช่วยให้คุณฝึกฝนโมเดลเพียงครั้งเดียว และนำไปปรับใช้ได้ทุกที่ การเรียนรู้ของเครื่องทำให้ SageMaker Neo สามารถเพิ่มประสิทธิภาพโมเดลที่ผ่านการฝึกฝนซึ่งสร้างขึ้นจากเฟรมเวิร์กยอดนิยมได้โดยอัตโนมัติสำหรับแพลตฟอร์มฮาร์ดแวร์ที่คุณต้องการ โดยไม่สูญเสียความแม่นยำ ซึ่งทำให้คุณสามารถปรับใช้โมเดลเข้ากับอินสแตนซ์ EC2 และอินสแตนซ์ SageMaker หรืออุปกรณ์ปลายทางที่มีรันไทม์ Neo รวมถึงอุปกรณ์ AWS Greengrass

เรียนรู้เพิ่มเติม »

pull-2x
pull-1-10
img-neo

ปรับใช้และจัดการโมเดลในการผลิต

ปรับใช้ในการผลิตด้วยคลิกเดียว

Amazon SageMaker จะทำให้สามารถปรับใช้โมเดลที่ผ่านการฝึกฝนแล้วในการผลิตได้ในคลิกเดียวเพื่อให้คุณสามารถเริ่มสร้างการคาดการณ์ (กระบวนการมีชื่อว่าการอนุมาน) สำหรับข้อมูลแบบเรียลไทม์หรือเป็นชุด โมเดลของคุณบนคลัสเตอร์การปรับขนาดอัตโนมัติของ อินสแตนซ์ Amazon SageMaker ที่แผ่ขยายไปทั่ว Availability Zone หลายๆ เขตเพื่อมอบทั้งประสิทธิภาพและความพร้อมใช้งานในระดับสูง Amazon SageMaker ยังรวมความสามารถในการทดสอบ A/B ในตัวเพื่อช่วยให้คุณทดสอบโมเดลของคุณและทดลองเวอร์ชันต่างๆ เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

เรียกใช้โมเดลที่ปลายทาง

AWS Greengrass ช่วยให้การปรับใช้โมเดลที่ผ่านการฝึกฝนด้วย Amazon SageMaker บนอุปกรณ์ปลายทางเพื่อเรียกใช้การอนุมานเป็นไปอย่างงายดาย AWS Greengrass ช่วยให้อุปกรณ์ที่เชื่อมต่อสามารถเรียกใช้ฟังก์ชัน AWS Lambda มีการซิงค์ข้อมูลอุปกรณ์อยู่ตลอด และสื่อสารกับอุปกรณ์อื่นได้อย่างปลอดภัย แม้ในขณะที่ไม่ได้เชื่อมต่อกับอินเทอร์เน็ตก็ตาม

pull-75p

ลดค่าใช้จ่ายของการอนุมานการเรียนรู้เชิงลึกได้ถึง 75% ผ่านการใช้ Amazon Elastic Inference เพื่อแนบการเร่งความเร็ว Elastic GPU ไปยังอินสแตนซ์ Amazon SageMaker ได้อย่างง่ายดาย สำหรับโมเดลส่วนใหญ่ อินสแตนซ์ GPU ขนาดเต็มนั้นใหญ่เกินไปสำหรับการอนุมาน นอกจากนี้ การเพิ่มประสิทธิภาพ GPU, CPU และหน่วยความจำที่จำเป็นต่อการใช้งานการเรียนรู้เชิงลึกด้วยประเภทอินสแตนซ์เดียวก็เป็นไปได้ยากเช่นเดียวกัน Elastic Inference จะช่วยให้คุณสามารถเลือกประเภทอินสแตนซ์ที่เหมาะสำหรับ CPU และหน่วยความจำโดยรวมที่จำเป็นต่อการใช้งาน และช่วยให้สามารถแยกกำหนดค่าปริมาณที่เหมาะสมสำหรับการเร่ง GPU ที่จำเป็นต่อการอนุมาน

เรียนรู้เพิ่มเติม »

img-TFLOPS

รองรับ

logo-tesnorflow
logo-mxnet

ความสำเร็จของลูกค้า

สร้างสรรค์อนาคตด้วยการเรียนรู้แบบเสริมกำลังที่มีการจัดการเต็มรูปแบบ

small-RL-icon

ใช้การเรียนรู้แบบเสริมกำลัง (RL) เพื่อสร้างโมเดลที่มีความซับซ้อนและได้ผลแบบเฉพาะโดยไม่ต้องใช้ข้อมูลการฝึกอบรมที่ติดป้ายไว้ก่อนหน้า RL จะมีประโยชน์ในถสานการณ์ที่ไม่มีคำตอบที่ “ถูกต้อง” ที่จะเรียนรู้ได้ แต่มีผลลัพธ์ที่ดีที่สุดอยู่ เช่น การเรียนขับรถ หรือการแลกเปลี่ยนเงินตราในเชิงบวก แทนที่จะเรียนรู้จากข้อมูลในอดีต อัลกอริธึมของ RL จะเรียนรู้จากการลองปฏิบัติในโปรแกรมจำลอง โดยมีรางวัลและบทลงโทษเพื่อช่วยปรับโมเดลไปสู่พฤติกรรมที่คาดหวัง

Amazon SageMaker RL ประกอบด้วยอัลกอริธึม RL ในตัว และมีการจัดการเต็มรูปแบบ SageMaker รองรับ RL ในเฟรมเวิร์กที่หลากหลาย ได้แก่ TensorFlow และ MXNet รวมถึงเฟรมเวิร์กที่พัฒนาขึ้นเองซึ่งได้รับการออกแบบมาตั้งแต่ต้นสำหรับการเรียนรู้แบบเสริมแรง เช่น Intel Coach และ Ray RLlib

Amazon SageMaker RL ยังรองรับสภาพแวดล้อม RL ที่หลากหลาย ไม่ว่าจะเป็นสภาพแวดล้อมเชิงกายภาพทั้ง 2D และ 3D แบบเต็ม สภาพแวดล้อมการจำลองเชิงพาณิชย์ เช่น MATLAB และ Simlink และอะไรก็ตามที่รองรับอินเทอร์เฟซ OpenAI Gym แบบโอเพนซอร์ส รวมถึงสภาพแวดล้อมที่พัฒนาขึ้นเอง นอกจากนี้ SageMaker RL จะช่วยให้คุณสามารถฝึกใช้งานในสภาพแวดล้อม 3D ที่เสมือนจริงได้ใน Amazon Sumerian และ AWS RoboMaker นั่นหมายความว่าคุณสามารถสร้างโมเดลได้ทุกอย่างตั้งแต่ระบบการโฆษณาและการเงิน ไปจนถึงการควบคุมในระดับอุตสาหกรรม วิทยาการหุ่นยนต์ และยานพาหนะอัตโนมัติ

เปิดกว้างและยืดหยุ่น

การเรียนรู้ของเครื่องที่คุณต้องการ

เทคโนโลยีการเรียนรู้ของเครื่องนั้นเติบโตอย่างรวดเร็ว และคุณควรคงความคล่องตัวไว้ด้วยการเข้าถึงชุดเฟรมเวิร์กและเครื่องมือที่หลากหลาย ด้วย Amazon SageMaker คุณสามารถใช้คอนเทนเนอร์ในตัวสำหรับเฟรมเวิร์กยอดนิยม หรือกับเฟรมเวิร์กที่คุณต้องการ ไม่ว่าจะเฟรมเวิร์กแบบไหน Amazon SageMaker จะจัดการโครงสร้างพื้นฐานภายในที่จำเป็นต่อการสร้าง ฝึกฝน และปรับใช้โมเดลของคุณ

ประสิทธิภาพที่ปลายทางที่ดียิ่งขึ้น

Developer ทุกคนยังสามารถใช้ความสามารถของ SageMaker ได้ผ่านโปรเจกต์โอเพนซอร์ส Neo เราเชื่อว่าการที่ทุกคนสามารถเรียกใช้โมเดลได้จากทุกที่จะเป็นก้าวสำคัญในการช่วยผลักดันให้การเรียนรู้ของเครื่องมีศักยภาพสูงสุดได้ โดยการสนับสนุนความพยายามแบบโอเพนซอร์ส ผู้จำหน่ายฮาร์ดแวร์สามารถพัฒนา Neo พร้อมการเสริมประสิทธิภาพและยกระดับระบบนิเวศโดยรวมของฮาร์ดแวร์สำหรับการเรียนรู้ของเครื่องแบบใหม่

SageMaker รับกับเวิร์กโฟลว์ของคุณ

Amazon SageMaker ประกอบด้วยส่วนประกอบที่แยกออกจากกัน ได้แก่ Ground Truth, Notebooks, การฝึกฝน, Neo และการโฮสต์ องค์ประกอบเหล่านี้ได้ออกแบบมาเพื่อร่วมงานกันและมอบบริการการเรียนรู้ของเครื่องขั้นสูง นอกจากนี้ องค์ประกอบเหล่านี้ยังสามารถแยกใช้ต่างหากเพื่อเสริมเวิร์กโฟลว์การเรียนรู้ของเครื่องที่มีอยู่แล้ว หรือเพื่อสนับสนุนโมเดลที่รันอยู่ในศูนย์ข้อมูลหรือที่ปลายทาง

เรียนรู้และเร่งความเร็ว

ImgHead_Silverstone_TEST_Car_3

AWS DeepRacer

รถแข่งไร้คนขับเต็มรูปแบบในสัดส่วน 1/18 ที่เต็มไปด้วยทุกสิ่งที่คุณต้องการเพื่อเรียนรู้เกี่ยวกับการเรียนแบบเสริมกำลังผ่านการขับเคลื่อนอัตโนมัติ

เรียนรู้เพิ่มเติม »

AWS DeepLens

เรียนรู้คอมพิวเตอร์วิทัศน์ผ่านโปรเจกต์ บทแนะนำสอนการใช้งาน และโลกแห่งความเป็นจริง ผ่านการลงมือทดลองใช้กับอุปกรณ์จริงด้วยกล้องวิดีโอการเรียนรู้เชิงลึกอันแรกของโลกสำหรับ Developer

เรียนรู้เพิ่มเติม »

การฝึกอบรมและการรับรอง AWS Machine Learning

AWS Machine Learning University หลักสูตรที่วางโครงสร้างไว้สำหรับการเรียนรู้ของเครื่องอิงจากข้อมูลเดียวกันที่ใช้ฝึกอบรม Amazon Developer ผ่านการรวบรวมองค์ความรู้พื้นฐานและการใช้งานในโลกแห่งความจริง

เรียนรู้เพิ่มเติม »

Amazon ML Solutions Lab

Amazon ML Solutions Lab จับคู่ทีมของคุณกับผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องจาก Amazon โดยรวมการประชุมเชิงปฏิบัติการด้านการศึกษาเข้ากับการประชุมระดมความคิด และบริการให้คำปรึกษาด้านวิชาชีพ เพื่อช่วยให้คุณสามารถ ‘คิดแบบย้อนกลับ’ จากความท้าทายทางธุรกิจ จากนั้นดำเนินกระบวนการทีละขั้นตอนเพื่อสร้างโมเดล หลังจากนั้น คุณจะสามารถนำสิ่งที่ได้เรียนรู้ไปใช้ในองค์กรของคุณเพื่อเปิดรับโอกาสอื่นๆ ได้

เรียนรู้เพิ่มเติม »