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
รวบรวมและจัดเตรียมข้อมูลการฝึกฝน
ติดป้ายข้อมูลการฝึกฝนได้อย่างรวดเร็ว
Amazon SageMaker Ground Truth ช่วยให้คุณสร้างและจัดการชุดข้อมูลการฝึกฝนที่แม่นยำสูงได้อย่างรวดเร็ว Ground Truth มอบการเข้าถึงที่ง่ายดายให้กับผู้ติดป้ายทั้งจากทางสาธารณะและส่วนตัว และมอบเวิร์กโฟลว์และอินเทอร์เฟซที่สร้างมาแล้วล่วงหน้าสำหรับงานการติดป้ายทั่วไป นอกจากนี้ Ground Truth จะเรียนรู้จากการติดป้ายของบุคคลเพื่อสร้างคำอธิบายอัตโนมัติและคุณภาพสูง เพื่อลดค่าใช้จ่ายจากการติดป้ายลงได้เป็นอย่างมาก
เรียนรู้เพิ่มเติม »
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
ตั้งค่าและจัดการสภาพแวดล้อมการฝึกฝน
การฝึกฝนในคลิกเดียว
เริ่มฝึกฝนโมเดลของคุณด้วยคลิกด้วย Amazon SageMaker จัดการโครงสร้างพื้นฐานเพื่อปรับเพิ่มขนาดชุดข้อมูลขึ้นได้ถึงขนาดเพตะไบต์อย่างง่ายดาย
ที่ที่ดีที่สุดเพื่อรัน TensorFlow
TensorFlow ของ AWS ผ่านการปรับปรุงเพื่อมอบประสิทธิภาพในการปรับขนาดที่คุ้มทุนมากที่สุดบนหลายร้อย GPU เพื่อทำงานในระดับคลาวด์โดยไม่ต้องจ่ายค่าใช้จ่ายทั่วไปสำหรับฝึกฝนโมเดลที่ซับซ้อนและถูกต้องแม่นยำยิ่งกว่า ในเวลาที่น้อยกว่าเดิม
ประสิทธิภาพการปรับขนาดด้วย 256 GPU
ปรับและเพิ่มประสิทธิภาพให้โมเดล
ปรับโมเดลของคุณโดยอัตโนมัติ
ฝึกฝนครั้งเดียว ทำงานได้ทุกที่
Amazon SageMaker Neo ช่วยให้คุณฝึกฝนโมเดลเพียงครั้งเดียว และนำไปปรับใช้ได้ทุกที่ การเรียนรู้ของเครื่องทำให้ SageMaker Neo สามารถเพิ่มประสิทธิภาพโมเดลที่ผ่านการฝึกฝนซึ่งสร้างขึ้นจากเฟรมเวิร์กยอดนิยมได้โดยอัตโนมัติสำหรับแพลตฟอร์มฮาร์ดแวร์ที่คุณต้องการ โดยไม่สูญเสียความแม่นยำ ซึ่งทำให้คุณสามารถปรับใช้โมเดลเข้ากับอินสแตนซ์ EC2 และอินสแตนซ์ SageMaker หรืออุปกรณ์ปลายทางที่มีรันไทม์ Neo รวมถึงอุปกรณ์ AWS Greengrass
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
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
รองรับ
ความสำเร็จของลูกค้า
“GE Healthcare กำลังแปลงโฉมการดูแลสุขภาพผ่านการเสริมความแข็งแกร่งให้กับผู้ให้บริการเพื่อมอบผลลัพธ์ที่ดียิ่งขึ้น เราฝึกฝนโมเดลคอมพิวเตอร์วิทัศน์ใน Amazon SageMaker ที่จะนำไปปรับใช้ในเครื่อง MRI และ X-Ray ของเรา ผ่านการใช้เทคนิคการเรียนรู้แบบเสริมกำลัง ทำให้เราสามารถลดขนาดของโมเดลที่ผ่านการฝึกฝน พร้อมทั้งได้การบีบอัดเครือข่ายและความถูกต้องของโมเดลที่สมดุลกัน Amazon SageMaker RL ช่วยให้เราสามารถทำแนวคิดให้เป็นจริงได้ในเวลาน้อยกว่าสี่สัปดาห์ ผ่านการนำความซับซ้อนของปริมาณงานในการเรียกใช้ RL ออก”
"ที่ NFL เรามีการพัฒนาเมตริกสำหรับการบริการ Next Gen Stats ที่มีประสิทธิภาพมากขึ้นโดยใช้ประโยชน์จากเทคโนโลยี AWS Machine Learning และการคำนวณอื่นๆ ที่อาจใช้เวลาหลายเดือนในการปรับแต่ง ปัจจุบันใช้เวลาเพียงไม่กี่สัปดาห์หรือวัน ซึ่งจะช่วยให้เราสามารถมีส่วนร่วม แจ้ง และกระตุ้นแฟนๆ ในรูปแบบใหม่และไม่เหมือนใคร"
"เบื้องหลังการปัด Tinder ทุกครั้งคือระบบที่จัดการคำขอนับล้านต่อนาที จำนวนการปัดหลายพันล้านครั้งต่อวันในกว่า 190 ประเทศ Amazon SageMaker ช่วยลดความยุ่งยากของ Machine Learning ซึ่งจะช่วยทีมพัฒนาของเราในการสร้างโมเดลสำหรับการคาดการณ์ที่ทำให้การเชื่อมสัมพันธ์ใหม่ๆ เป็นไปได้"
"Amazon SageMaker ช่วยให้แนวคิดริเริ่มในการใช้ Artificial Intelligence ของเราก้าวหน้าไปได้รวดเร็วขึ้นในวงกว้าง ด้วยการสร้างและใช้งานอัลกอริทึมบนแพลตฟอร์มของเรา เราจะสร้างการเรียนรู้ของเครื่องขนาดใหญ่และอัลกอริทึม AI และนำไปใช้งานบนแพลตฟอร์มนี้เพื่อแก้ปัญหาที่ซับซ้อนซึ่งสามารถสร้างความมั่งคั่งให้กับลูกค้าของเราได้"
“Amazon SageMaker RL ได้ทำให้การกระจายการเรียนรู้แบบเสริมกำลังเป็นไปอย่างเรียบง่าย ปรับขนาดได้ และเข้าถึงได้ เราออกแบบโปรตีนโดยพัฒนาเครื่องมือที่ทันสมัยเพื่อการค้นพบและเสริมประสิทธิภาพให้กับเอนไซม์ ซึ่งช่วยลดต้นทุนในการผลิตสารเคมี ทั้งยังส่งผลดีต่อสิ่งแวดล้อมยิ่งขึ้น ด้วย Amazon SageMaker RL เราสามารถใช้คลัสเตอร์ที่หลากหลาพร้อมประเภทอินสแตนซ์ที่ต่างกันสำหรับการฝึกฝนและเรียกใช้ตัวจำลอง ซึ่งช่วยเพิ่มประสิทธิภาพในกระบวนการพัฒนา และลดค่าใช้จ่ายที่มาจากปริมาณงานของการเรียกใช้ RL ได้เป็นอย่างมาก ด้วยความสามารถเหล่านี้ ทำให้เราสามารถขยายโอกาสจากการเรียนรู้แบบเสริมกำลังแบบหลากหลายเอเจนต์”
"ที่ Hotels.com เรามองหาวิธีต่างๆ ในการทำงานให้เร็วขึ้น นำเทคโนโลยีใหม่ล่าสุดมาใช้ให้เป็นประโยชน์ และคิดค้นนวัตกรรมใหม่ๆ อยู่เสมอ ซึ่งเมื่อใช้ Amazon SageMaker คุณสมบัติการฝึกแบบกระจาย อัลกอริทึมที่ปรับมาอย่างเหมาะสม และคุณสมบัติไฮเปอร์พารามิเตอร์ในตัวช่วยให้ทีมของผมสามารถสร้างโมเดลที่แม่นยำยิ่งขึ้นบนชุดข้อมูลขนาดใหญ่สุดของเราได้อย่างรวดเร็ว ทำให้เวลาในการย้ายโมเดลไปยังการผลิตลดลงมากพอสมควร กล่าวคือเป็นการเรียกใช้ API นี่เอง Amazon SageMaker จะลดความซับซ้อนของการเรียนรู้ของเครื่องลงอย่างมาก ช่วยให้เราสามารถสร้างประสบการณ์ใช้งานที่ดียิ่งขึ้นให้แก่ลูกค้าได้อย่างรวดเร็ว"
Matt Frye รองประธานและหัวหน้าเจ้าหน้าที่ฝ่ายวิทยาศาสตร์ข้อมูลของ Hotels.com และ Expedia Affiliate Network
"การรวม Machine Learning เข้ากับระบบและการปฏิบัติงานของเราถือเป็นวิธีที่ยอดเยี่ยมในการทำความเข้าใจเกมมากขึ้นสำหรับแฟนๆ และสโมสรทั้ง 30 แห่งของเรา เราเลือก AWS เนื่องจากความแข็งแกร่ง ระดับความลึก และความเชี่ยวชาญที่ผ่านการพิสูจน์มาแล้วในการให้บริการการเรียนรู้ของเครื่องเพื่อสร้างโอกาสใหม่ในการแชร์เมตริกที่ไม่เคยมีมาก่อน”
Jason Gaedtke, หัวหน้าเจ้าหน้าที่ฝ่ายเทคโนโลยี, Major League Baseball
สร้างสรรค์อนาคตด้วยการเรียนรู้แบบเสริมกำลังที่มีการจัดการเต็มรูปแบบ
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
AWS DeepRacer
รถแข่งไร้คนขับเต็มรูปแบบในสัดส่วน 1/18 ที่เต็มไปด้วยทุกสิ่งที่คุณต้องการเพื่อเรียนรู้เกี่ยวกับการเรียนแบบเสริมกำลังผ่านการขับเคลื่อนอัตโนมัติ
AWS DeepLens
เรียนรู้คอมพิวเตอร์วิทัศน์ผ่านโปรเจกต์ บทแนะนำสอนการใช้งาน และโลกแห่งความเป็นจริง ผ่านการลงมือทดลองใช้กับอุปกรณ์จริงด้วยกล้องวิดีโอการเรียนรู้เชิงลึกอันแรกของโลกสำหรับ Developer
การฝึกอบรมและการรับรอง AWS Machine Learning
AWS Machine Learning University หลักสูตรที่วางโครงสร้างไว้สำหรับการเรียนรู้ของเครื่องอิงจากข้อมูลเดียวกันที่ใช้ฝึกอบรม Amazon Developer ผ่านการรวบรวมองค์ความรู้พื้นฐานและการใช้งานในโลกแห่งความจริง
Amazon ML Solutions Lab
Amazon ML Solutions Lab จับคู่ทีมของคุณกับผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องจาก Amazon โดยรวมการประชุมเชิงปฏิบัติการด้านการศึกษาเข้ากับการประชุมระดมความคิด และบริการให้คำปรึกษาด้านวิชาชีพ เพื่อช่วยให้คุณสามารถ ‘คิดแบบย้อนกลับ’ จากความท้าทายทางธุรกิจ จากนั้นดำเนินกระบวนการทีละขั้นตอนเพื่อสร้างโมเดล หลังจากนั้น คุณจะสามารถนำสิ่งที่ได้เรียนรู้ไปใช้ในองค์กรของคุณเพื่อเปิดรับโอกาสอื่นๆ ได้
