Amazon SageMaker

แมชชีนเลิร์นนิ่งสำหรับนักพัฒนาและนักวิทยาศาสตร์ข้อมูล

Amazon SageMaker เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งช่วยให้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลสามารถสร้าง ฝึก และติดตั้งใช้โมเดลแมชชีนเลิร์นนิ่ง (ML) ได้อย่างรวดเร็ว SageMaker กำจัดภาระหนักในแต่ละขั้นตอนของกระบวนการแมชชีนเลิร์นนิ่งเพื่อช่วยให้พัฒนาโมเดลคุณภาพสูงได้ง่ายขึ้น

การพัฒนา ML แบบเดิมเป็นกระบวนการที่ซับซ้อน ราคาแพง ทำซ้ำ และทำได้ยากขึ้น เพราะไม่มีเครื่องมือแบบรวมสำหรับเวิร์กโฟลว์ Machine Learning ทั้งหมด คุณต้องรวมเครื่องมือและเวิร์กโฟลว์ต่างๆ เข้าด้วยกัน ซึ่งเป็นขั้นตอนที่ใช้เวลานานและเกิดข้อผิดพลาดได้ง่าย SageMaker ช่วยแก้ปัญหาที่ท้าทายนี้โดยการจัดเตรียมส่วนประกอบทั้งหมดที่ใช้สำหรับ Machine Learning ในชุดเครื่องมือเดียวเพื่อให้ได้โมเดลรวดเร็วยิ่งขึ้น ง่ายขึ้น และมีต้นทุนต่ำกว่า

สร้างโมเดล Machine Learning

บน AMAZON SAGEMAKER เท่านั้น

เพิ่มความสามารถในการผลิตโดยใช้ Amazon SageMaker Studio ซึ่งเป็นสภาพแวดล้อมการพัฒนาแบบบูรณาการ (IDE) สำหรับ Machine Learning

Amazon SageMaker Studio มีส่วนแสดงภาพบนเว็บส่วนเดียวที่คุณสามารถดำเนินขั้นตอนการพัฒนา ML ทั้งหมดได้ SageMaker Studio ช่วยให้คุณเข้าถึง ควบคุม และมองเห็นในแต่ละขั้นตอนที่ต้องสร้าง ฝึก และติดตั้งใช้โมเดล คุณสามารถอัปโหลดข้อมูล สร้างสมุดบันทึกใหม่ ฝึกและปรับโมเดล ย้ายไปมาระหว่างขั้นตอนต่างๆ ได้อย่างรวดเร็ว เพื่อปรับการทดลอง เปรียบเทียบผล และติดตั้งใช้โมเดลในการผลิตทั้งหมดในที่เดียว ซึ่งช่วยให้ได้ประสิทธิผลมากขึ้น กิจกรรมการพัฒนา ML ทั้งหมดซึ่งรวมถึงสมุดบันทึก การจัดการการทดลอง การสร้างโมเดลแบบอัตโนมัติ การแก้ไขข้อบกพร่อง รวมถึงการตรวจจับโมเดลไม่ตรงกัน สามารถดำเนินการได้ในส่วนแสดงภาพ SageMaker Studio แบบรวมศูนย์

SageMaker Studio
Sagemaker Studio

ใช้ IDE สำหรับการพัฒนา ML ยกตัวอย่างเช่น อัปเดตโมเดลภายในสมุดบันทึกและดูว่าการเปลี่ยนแปลงมีผลกระทบต่อคุณภาพของโมเดลอย่างไรโดยใช้มุมมองแบบคู่กันของสมุดบันทึกกับการทดลองการฝึก

ใช้ IDE สำหรับการพัฒนา ML ยกตัวอย่างเช่น อัปเดตโมเดลภายในสมุดบันทึกและดูว่าการเปลี่ยนแปลงมีผลกระทบต่อคุณภาพของโมเดลอย่างไรโดยใช้มุมมองแบบคู่กันของสมุดบันทึกกับการทดลองการฝึก

 คลิกเพื่อขยาย

บน AMAZON SAGEMAKER เท่านั้น

สร้างและทำงานร่วมกันได้เร็วขึ้นโดยใช้ Amazon SageMaker Studio Notebook

การจัดการอินสแตนซ์การประมวลผลเพื่อดู เรียกใช้ หรือแชร์สมุดบันทึกนั้นเป็นงานที่น่าเบื่อหน่าย Amazon SageMaker Studio Notebook คือสมุดบันทึก Jupyter แบบคลิกเดียวที่สามารถเริ่มต้นการทำงานได้อย่างรวดเร็ว ทรัพยากรการประมวลผลที่สำคัญและซ่อนอยู่มีความยืดหยุ่นเต็มรูปแบบ คุณจึงสามารถปรับทรัพยากรที่มีอยู่ขึ้นหรือลงได้ง่าย ส่วนการเปลี่ยนแปลงก็จะเกิดขึ้นโดยอัตโนมัติในพื้นหลังโดยไม่รบกวนการทำงานของคุณ SageMaker ยังช่วยให้สามารถแชร์สมุดบันทึกได้ด้วยการคลิกครั้งเดียว คุณสามารถแชร์ Notebook กับผู้อื่นได้อย่างง่ายดาย และผู้อื่นก็จะได้ Notebook เดียวกันกับที่คุณบันทึกไว้ในที่เดียวกัน

คุณสามารถเลือกสมุดบันทึกที่สร้างล่วงหน้าจากหลายรายการใน SageMaker สำหรับกรณีการใช้งานต่างๆ นอกจากนี้ คุณยังมีอัลกอริทึมและโมเดลที่มีการฝึกล่วงหน้าหลายร้อยรายการใน AWS Marketplace ช่วยให้เริ่มต้นใช้งานได้อย่างง่ายดายและรวดเร็ว

Notebooks
Notebooks

สร้างลิงก์ที่สามารถแชร์ได้โดยไม่ต้องติดตามการขึ้นต่อกันแบบแมนนวล เพื่อสร้างโค้ดสมุดบันทึกใหม่

สร้างลิงก์ที่สามารถแชร์ได้โดยไม่ต้องติดตามการขึ้นต่อกันแบบแมนนวล เพื่อสร้างโค้ดสมุดบันทึกใหม่

 คลิกเพื่อขยาย

บน AMAZON SAGEMAKER เท่านั้น

สร้าง ฝึก และปรับโมเดลโดยอัตโนมัติโดยมองเห็นและควบคุมได้ทั้งหมดโดยใช้ Amazon SageMaker Autopilot

Amazon SageMaker Autopilot คือความสามารถของ Machine Learning แบบอัตโนมัติครั้งแรกที่ช่วยให้คุณควบคุมและมองเห็นโมเดล ML ของคุณทั้งหมด วิธีการทั่วไปที่ใช้กับ Machine Learning แบบอัตโนมัติไม่ได้ให้ข้อมูลเชิงลึกที่ใช้ในการสร้างโมเดลหรือลอจิกที่อยู่ในการสร้างโมเดล ด้วยเหตุนี้ แม้ว่าจะเป็นโมเดลธรรมดา ก็จะไม่มีวิธีการพัฒนาโมเดลดังกล่าว นอกจากนี้ คุณยังขาดความยืดหยุ่นในการแลกเปลี่ยนความแม่นยำกับการคาดการณ์เวลาแฝงต่ำ เนื่องจากโซลูชัน ML แบบอัตโนมัติมีโมเดลให้เลือกเพียงรายการเดียว

SageMaker Autopilot จะตรวจสอบข้อมูลดิบโดยอัตโนมัติ ใช้ตัวประมวลผลที่โดดเด่น เลือกชุดอัลกอริทึมที่ดีที่สุด ฝึกและปรับโมเดลที่หลากหลาย ติดตามประสิทธิภาพของโมเดล และจากนั้นจะจัดลำดับโมเดลโดยอิงตามประสิทธิภาพ โดยดำเนินการทั้งหมดนี้ได้ด้วยการคลิกเพียงไม่กี่ครั้ง ผลที่ได้คือโมเดลที่มีประสิทธิภาพมากที่สุดที่คุณสามารถติดตั้งใช้จริงซึ่งโดยปกติจะใช้เวลาไม่นานในการฝึกโมเดล คุณจะมองเห็นวิธีการสร้างโมเดลและสิ่งที่อยู่ในโมเดลทั้งหมด และ SageMaker Autopilot จะผสานรวมเข้ากับ Amazon SageMaker Studio คุณสามารถสำรวจโมเดลต่างๆ ได้มากถึง 50 รายการที่สร้างโดย SageMaker Autopilot ที่อยู่ใน SageMaker Studio จึงสามารถเลือกโมเดลที่ดีที่สุดสำหรับกรณีการใช้งานของคุณได้อย่างง่ายดาย การใช้งาน SageMaker Autopilot สามารถทำได้โดยไม่ต้องมีประสบการณ์เกี่ยวกับ Machine Learning เพื่อสร้างโมเดลได้อย่างง่ายดาย หรือนักพัฒนาที่มีประสบการณ์สามารถใช้เพื่อพัฒนาโมเดลพื้นฐานซึ่งทีมสามารถทำซ้ำได้ต่อไป

เรียนรู้เพิ่มเติม »

Autopilot
Autopilot

สร้าง Machine Learning โดยอัตโนมัติและเลือกโมเดลที่เหมาะกับกรณีการใช้งานของคุณมากที่สุด ยกตัวอย่างเช่น ตรวจสอบตารางผู้นำเพื่อดูวิธีการที่แต่ละตัวเลือกดำเนินการและเลือกโมเดลที่ตอบสนองความต้องการของคุณเกี่ยวกับความแม่นยำและเวลาแฝงของโมเดล

สร้าง Machine Learning โดยอัตโนมัติและเลือกโมเดลที่เหมาะกับกรณีการใช้งานของคุณมากที่สุด ยกตัวอย่างเช่น ตรวจสอบตารางผู้นำเพื่อดูวิธีการที่แต่ละตัวเลือกดำเนินการและเลือกโมเดลที่ตอบสนองความต้องการของคุณเกี่ยวกับความแม่นยำและเวลาแฝงของโมเดล

 คลิกเพื่อขยาย

บน AMAZON SAGEMAKER เท่านั้น

ลดต้นทุนการติดป้ายข้อมูลได้สูงถึง 70% โดยใช้ Amazon SageMaker Ground Truth

Machine Learning ที่ประสบความสำเร็จสร้างขึ้นบนข้อมูลการฝึกที่มีคุณภาพสูงจำนวนมาก แต่กระบวนการสร้างข้อมูลการฝึกที่จำเป็นในการสร้างโมเดลเหล่านี้มักมีราคาแพง ซับซ้อน และใช้เวลานาน Amazon SageMaker Ground Truth ช่วยให้คุณสร้างและจัดการชุดข้อมูลการฝึกที่มีความแม่นยำสูงได้อย่างรวดเร็ว Ground Truth มอบการเข้าถึงที่ง่ายดายให้กับผู้ติดป้ายผ่าน Amazon Mechanical Turk และมอบเวิร์กโฟลว์และอินเทอร์เฟซที่สร้างมาแล้วล่วงหน้าสำหรับงานการติดป้ายทั่วไป คุณยังสามารถใช้ผู้ติดป้ายของคุณเองหรือใช้ผู้ขายที่ Amazon แนะนำผ่าน AWS Marketplace นอกจากนี้ Ground Truth ยังเรียนรู้เพิ่มเติมจากป้ายที่ทำโดยผู้ปฏิบัติงานเพื่อสร้างคำอธิบายอัตโนมัติที่มีคุณภาพสูงโดยมีต้นทุนในการติดป้ายที่ต่ำกว่าเป็นอย่างมาก

เรียนรู้เพิ่มเติม »

70%

การลดต้นทุน ในการติดป้ายข้อมูล

Amazon SageMaker สนับสนุนเฟรมเวิร์กการเรียนรู้เชิงลึกชั้นนำ

เฟรมเวิร์กที่ได้รับการสนับสนุนประกอบด้วย TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn และ Deep Graph Library 

Amazon-SageMaker_Framework-Logos_F2f3f3

ฝึกโมเดล Machine Learning

บน AMAZON SAGEMAKER เท่านั้น

จัดระเบียบ ติดตาม และประเมินผลการเรีบกใช้การฝึกโดยใช้ Amazon SageMaker Experiments

Amazon SageMaker Experiments ช่วยให้คุณจัดระเบียบและติดตามการทำซ้ำโมเดล Machine Learning โดยทั่วไป การฝึกโมเดล ML ทำให้เกิดการทำซ้ำจำนวนมากเพื่อแยกและประเมินผลกระทบของการเปลี่ยนชุดข้อมูล เวอร์ชันของอัลกอริทึม และพารามิเตอร์ของโมเดล คุณสร้างสิ่งประดิษฐ์หลายร้อยรายการ เช่น โมเดล ข้อมูลการฝึก การกำหนดค่าแพลตฟอร์ม การตั้งค่าพารามิเตอร์ และเมตริกการฝึก ในระหว่างการทำซ้ำ โดยที่บ่อยครั้งจะมีการใช้กลไกที่มีความยุ่งยาก เช่น สเปรดชีท เพื่อติดตามการทดลองนี้

SageMaker Experiments ช่วยให้คุณจัดการการทำซ้ำโดยการบันทึกพารามิเตอร์อินพุต การกำหนดค่า และผลลัพธ์โดยอัตโนมัติ แล้วจัดเก็บข้อมูลดังกล่าวเป็น ‘Experiments’ คุณสามารถทำงานในส่วนแสดงภาพของ SageMaker Studio ได้ ซึ่งคุณจะสามารถเรียกดูการทดลองที่ใช้งานอยู่ ค้นหาการทดลองเดิมจากลักษณะเฉพาะ ตรวจสอบการทดลองเดิมโดยใช้ผลลัพธ์ และเปรียบเทียบผลลัพธ์การทดลองที่ปรากฏให้เห็น

Experiments
Experiments

ติดตามการทดลองการฝึกหลายพันรายการเพื่อทำความเข้าใจถึงความแม่นยำของโมเดล ยกตัวอย่างเช่น ดูในตารางว่าชุดข้อมูลตามลำดับเวลาต่างๆ มีผลกระทบต่อความแม่นยำของโมเดลอย่างไร

ติดตามการทดลองการฝึกหลายพันรายการเพื่อทำความเข้าใจถึงความแม่นยำของโมเดล ยกตัวอย่างเช่น ดูในตารางว่าชุดข้อมูลตามลำดับเวลาต่างๆ มีผลกระทบต่อความแม่นยำของโมเดลอย่างไร

 คลิกเพื่อขยาย

บน AMAZON SAGEMAKER เท่านั้น

วิเคราะห์ ตรวจหา และแจ้งเตือนปัญหาแมชชีนเลิร์นนิ่งโดยใช้ Amazon SageMaker Debugger

การฝึก ML เป็นกระบวนการที่คลุมเครือมากและใช้เวลาในการฝึกโมเดลเป็นเวลานาน อีกทั้งยังปรับให้เหมาะสมได้ยาก ด้วยเหตุนี้ การตีความและการอธิบายโมเดลจึงมักเป็นเรื่องยาก Amazon SageMaker Debugger ช่วยให้กระบวนการฝึกชัดเจนขึ้นโดยการบันทึกเมตริกโดยอัตโนมัติตามเวลาจริงในระหว่างการฝึก เช่น การฝึกและการตรวจสอบความถูกต้อง เมทริกซ์ที่สับสน และการเรียนรู้การไล่ระดับเพื่อช่วยปรับปรุงความแม่นยำของโมเดล

โดยสามารถมองเห็นเมตริกจาก SageMaker Debugger ได้ใน SageMaker Studio เพื่อให้ทำความเข้าใจได้อย่างง่ายดาย SageMaker Debugger ยังสามารถสร้างคำเตือนและคำแนะนำในการแก้ไขได้เมื่อตรวจพบปัญหาทั่วไปในการฝึก SageMaker Debugger ช่วยให้คุณตีความวิธีการทำงานของโมเดลได้ ซึ่งแสดงขั้นตอนก่อนการอธิบายโมเดลต่อไป

Debugger
Debugger

วิเคราะห์และแก้ไขข้อความผิดปกติ ยกตัวอย่างเช่น การฝึกโครงข่ายประสาทจะหยุดหากการกำหนดให้ไล่ระดับหายไป SageMaker Debugger จะระบุการไล่ระดับที่กำลังหายไป คุณจึงสามารถแก้ไขได้ก่อนที่จะมีผลกระทบต่อการฝึก

วิเคราะห์และแก้ไขข้อความผิดปกติ ยกตัวอย่างเช่น การฝึกโครงข่ายประสาทจะหยุดหากการกำหนดให้ไล่ระดับหายไป SageMaker Debugger จะระบุการไล่ระดับที่กำลังหายไป คุณจึงสามารถแก้ไขได้ก่อนที่จะมีผลกระทบต่อการฝึก

 คลิกเพื่อขยาย

AWS คือที่ที่ดีที่สุดในการเรียกใช้ TensorFlow

การเพิ่มประสิทธิภาพของ AWS TensorFlow มีประสิทธิภาพในการปรับขนาดแบบเกือบเป็นเส้นตรงสำหรับ GPU หลายร้อยรายการ เพื่อทำงานในระดับคลาวด์ โดยไม่ต้องเสียค่าใช้จ่ายจำนวนมากในกระบวนการฝึกโมเดลที่แม่นยำกว่าและซับซ้อนกว่า ในเวลาที่น้อยกว่าเดิมมาก

90%

ประสิทธิภาพการปรับขนาด ด้วย 256 GPU

ต้นทุนในการฝึกน้อยลง 90%

Amazon SageMaker มีการฝึกจุดที่มีการจัดการเพื่อช่วยให้คุณลดต้นทุนในการฝึกได้สูงถึง 90% ความสามารถนี้ใช้อินสแตนซ์ Amazon EC2 Spot ซึ่งเป็นความสามารถในการประมวลผลสำรองของ AWS การเรียกใช้งานการฝึกจะเป็นไปโดยอัตโนมัติเมื่อความจุในการประมวลผลพร้อมใช้งานและมีความทนทานต่อการรบกวนจากการเปลี่ยนแปลงความจุ ซึ่งช่วยให้คุณประหยัดต้นทุนเมื่อมีความยืดหยุ่นขณะเรียกใช้งานการฝึก

90%

การลดต้นทุน ด้วยการฝึกจุดที่มีการจัดการ

ติดตั้งใช้โมเดล Machine Learning

การติดตั้งใช้จริงในคลิกเดียว

Amazon SageMaker ช่วยให้ติดตั้งใช้โมเดลที่ผ่านการฝึกแล้วในการผลิตได้ในคลิกเดียวเพื่อให้คุณเริ่มสร้างการคาดการณ์สำหรับข้อมูลแบบตามเวลาจริงหรือเป็นชุดได้ คุณสามารถติดตั้งใช้โมเดลบนอินสแตนซ์ Amazon MLแบบปรับขยายอัตโนมัติได้ในหลาย Availability Zone สำหรับส่วนซ้ำซ้อนสูง เพียงระบุประเภทอินสแตนซ์และจำนวนที่ต้องการสูงสุดและต่ำสุด จากนั้น SageMaker จะดูแลส่วนที่เหลือเอง SageMaker จะเปิดตัวอินสแตนซ์ ติดตั้งใช้โมเดลของคุณ และตั้งค่าตำแหน่งข้อมูล HTTPS ที่ปลอดภัยสำหรับแอปพลิเคชัน แอปพลิเคชันของคุณต้องรวมการเรียก API เข้ากับตำแหน่งข้อมูลเพื่อให้มีเวลาแฝงต่ำ การอนุมานปริมาณการประมวลผลสูง สถาปัตยกรรมนี้ช่วยให้คุณรวมโมเดลใหม่เข้าไว้ในแอปพลิเคชันในเวลาไม่กี่นาทีเพราะการเปลี่ยนแปลงโมเดลไม่จำเป็นต้องมีการเปลี่ยนแปลงโค้ดแอปพลิเคชันอีกต่อไป

บน AMAZON SAGEMAKER เท่านั้น

รักษาโมเดลให้แม่นยำเมื่อเวลาผ่านไปโดยใช้ Amazon SageMaker Model Monitor

Amazon SageMaker Model Monitor ช่วยให้นักพัฒนาตรวจพบและแก้ไขแนวคิดที่ไม่ตรงกัน ในวันนี้ หนึ่งในปัจจัยสำคัญที่อาจมีผลกระทบต่อความแม่นยำของโมเดลที่ติดตั้งใช้งานจริงคือ หากข้อมูลที่ใช้เพื่อสร้างการคาดการณ์ต่างไปจากข้อมูลที่ใช้ในการฝึกโมเดล ยกตัวอย่างเช่น การเปลี่ยนแปลงสภาพเศรษฐกิจอาจผลักดันอัตราดอกเบี้ยใหม่ซึ่งมีผลกระทบต่อการคาดการณ์การซื้อบ้าน ซึ่งกรณีนี้เรียกว่าแนวคิดที่ไม่ตรงกัน โดยที่รูปแบบที่โมเดลใช้ในการคาดการณ์ไม่มีผลอีกต่อไป SageMaker Model Monitor จะตรวจพบแนวคิดที่ไม่ตรงกันในโมเดลที่ติดตั้งใช้จริงและจะให้การแจ้งเตือนพร้อมรายละเอียดที่ช่วยระบุที่มาของปัญหา ทุกโมเดลที่ฝึกใน SageMaker จะกระจายเมตริกสำคัญโดยอัตโนมัติซึ่งสามารถเก็บรวบรวมและดูได้ใน SageMaker Studio คุณสามารถกำหนดค่าข้อมูลที่จะเก็บรวบรวม วิธีการดู และเวลาในการรับการแจ้งเตือนได้จากใน SageMaker Studio

Model Monitor
Model Monitor

ตรวจสอบโมเดลในการผลิต ยกตัวอย่างเช่น ดูตารางที่มีคุณสมบัติสำคัญของโมเดลและสรุปสถิติ ดูข้อมูลเมื่อเวลาผ่านไปและเปรียบเทียบกับคุณสมบัติที่ใช้ในการฝึก คุณสมบัติบางอย่างไม่ตรงกันเมื่อเรียกใช้โมเดลในการผลิตซึ่งสามารถระบุความจำเป็นในการฝึกโมเดลใหม่

ตรวจสอบโมเดลในการผลิต ยกตัวอย่างเช่น ดูตารางที่มีคุณสมบัติสำคัญของโมเดลและสรุปสถิติ ดูข้อมูลเมื่อเวลาผ่านไปและเปรียบเทียบกับคุณสมบัติที่ใช้ในการฝึก คุณสมบัติบางอย่างไม่ตรงกันเมื่อเรียกใช้โมเดลในการผลิตซึ่งสามารถระบุความจำเป็นในการฝึกโมเดลใหม่

 คลิกเพื่อขยาย

บน AMAZON SAGEMAKER เท่านั้น

ตรวจสอบความถูกต้องของการคาดการณ์ผ่านการตรวจสอบโดยผู้ปฏิบัติงาน

แอปพลิเคชัน Machine Learning หลายชนิดจำเป็นต้องมีผู้ปฏิบัติงานเข้ามาตรวจสอบการคาดการณ์ที่มีความมั่นใจต่ำเพื่อให้แน่ใจว่าผลลัพธ์นั้นถูกต้อง แต่การสร้างการตรวจสอบโดยผู้ปฏิบัติงานไว้ในเวิร์กโฟลว์อาจใช้เวลานานและมีราคาแพงซึ่งมีกระบวนการที่ซับซ้อน Amazon Augmented AI เป็นบริการที่ช่วยให้การสร้างเวิร์กโฟลว์ที่จำเป็นต่อการตรวจสอบการคาดการณ์ของ ML โดยผู้ปฏิบัติงานเป็นเรื่องง่าย Augmented AI มีเวิร์กโฟลว์การตรวจสอบโดยผู้ปฏิบัติงานในตัวสำหรับกรณีการใช้ Machine Learning ทั่วไป คุณยังสามารถสร้างเวิร์กโฟลว์ของคุณเองสำหรับโมเดลที่สร้างบน Amazon SageMaker ได้ด้วย Augmented AI ช่วยให้คุณอนุญาตให้ผู้ตรวจสอบเข้ามาตรวจสอบเมื่อโมเดลไม่สามารถดำเนินการคาดการณ์ที่ต้องการความมั่นใจสูง

เรียนรู้เพิ่มเติม »

ใช้ Kubeflow Pipelines สำหรับการจัดประสานงานและการกำหนดตารางเวลา

Amazon SageMaker Components for Kubeflow Pipelines ที่ตอนนี้พร้อมใช้งานแล้วในตัวอย่างเป็นปลั๊กอินแบบโอเพนซอร์สที่อนุญาตให้คุณใช้ Kubeflow Pipelines เพื่อกำหนดเวิร์กโฟลว์ ML ของคุณและใช้ SageMaker สำหรับขั้นตอนการติดป้าย การฝึกอบรม และการอนุมานข้อมูล Kubeflow Pipelines เป็นส่วนเสริมของ Kubeflow ที่ช่วยให้คุณสร้างและติดตั้งใช้จริงไปป์ไลน์ ML แบบ ครบวงจรที่เคลื่อนย้ายได้และปรับขนาดได้ อย่างไรก็ตาม เมื่อใช้ Kubeflow Pipelines ทีม ML Ops จำเป็นต้องจัดการคลัสเตอร์ Kubernetes ด้วยอินสแตนซ์ CPU และ GPU และรักษาระดับการใช้งานให้สูงตลอดเวลาเพื่อลดต้นทุนในการดำเนินงาน การใช้คลัสเตอร์ให้เกิดประโยชน์สูงสุดในทีมวิทยาศาสตร์ข้อมูลเป็นเรื่องท้าทายและเพิ่มค่าใช้จ่ายในการดำเนินงานเพิ่มเติมให้กับทีม ML Ops Amazon SageMaker Components for Kubeflow Pipelines ที่เป็นทางเลือกสำหรับคลัสเตอร์ Kubernetes ที่ปรับให้เหมาะสมกับ ML ช่วยให้คุณสามารถใช้ประโยชน์จากคุณสมบัติ SageMaker ที่ทรงพลัง เช่น การติดป้ายข้อมูล การปรับแต่งไฮเปอร์พารามิเตอร์ขนาดใหญ่ที่มีการจัดการอย่างเต็มรูปแบบและงานฝึกอบรมแบบกระจาย การติดตั้งใช้จริงโมเดลที่ปลอดภัยและปรับขนาดได้เพียงคลิกเดียว และการฝึกอบรมที่มีประสิทธิภาพผ่านอินสแตนซ์สปอต EC2 โดยไม่จำเป็นต้องกำหนดค่าและจัดการคลัสเตอร์ Kubernetes โดยเฉพาะเพื่อเรียกใช้งานแมชชีนเลิร์นนิ่ง  

รวมเข้ากับ Kubernetes เพื่อการจัดประสานและการจัดการ

Kubernetes คือระบบโอเพนซอร์สที่ใช้เพื่อปรับการติดตั้งใช้จริง การปรับขนาด และการจัดการแอปพลิเคชันที่อยู่ในคอนเทนเนอร์ให้เป็นอัตโนมัติ ลูกค้าหลายรายต้องการใช้ความสามารถที่มีการจัดการเต็มรูปแบบของ Amazon SageMaker สำหรับแมชชีนเลิร์นนิ่ง แต่ยังต้องการแพลตฟอร์มและทีมโครงสร้างพื้นฐานเพื่อใช้ Kubernetes สำหรับการจัดประสานและการจัดการไปป์ไลน์อย่างต่อเนื่อง SageMaker ช่วยให้ผู้ใช้ฝึกและติดตั้งใช้จริงโมเดลใน SageMaker โดยใช้ Kubernetes Operators

ต้นทุนการอนุมานแมชชีนเลิร์นนิ่งต่ำลงถึง 75% เมื่อใช้ Amazon Elastic Inference

ในแอปพลิเคชันการเรียนรู้เชิงลึกส่วนใหญ่ การคาดการณ์โดยใช้โมเดลที่ผ่านการฝึกซึ่งเรียกว่าขั้นตอนการอนุมานอาจเป็นปัจจัยสำคัญของต้นทุนการประมวลผลของแอปพลิเคชัน อินสแตนซ์ GPU เต็มรูปแบบอาจมีขนาดใหญ่เกินไปสำหรับการอนุมานโมเดล นอกจากนี้ การปรับ GPU, CPU และความต้องการหน่วยความจำของแอปพลิเคชันการเรียนรู้เชิงลึกของคุณให้เหมาะสมอาจเป็นเรื่องยาก Amazon Elastic Inference แก้ปัญหาเหล่านี้โดยการให้คุณแนบการเร่งการอนุมานที่จัดการโดย GPU เฉพาะในปริมาณที่เหมาะสมมากับประเภทอินสแตนซ์ Amazon EC2 หรือ Amazon SageMaker หรืองาน Amazon ECS โดยไม่มีการเปลี่ยนแปลงโค้ด Elastic Inference ช่วยให้คุณสามารถเลือกประเภทอินสแตนซ์ที่เหมาะสมที่สุดสำหรับความต้องการ CPU และหน่วยความจำโดยรวมสำหรับแอปพลิเคชันของคุณ จากนั้นจะแยกกำหนดค่าปริมาณการเร่งการอนุมานที่คุณจำเป็นต้องใช้ทรัพยากรอย่างมีประสิทธิภาพและต้องลดต้นทุนการเรียกใช้การอนุมาน

75%

ต้นทุนในการอนุมานลดลง

รับอินเทอร์เฟซประสิทธิภาพสูงและต้นทุนต่ำในระบบคลาวด์

การใช้ Amazon SageMaker ช่วยให้คุณนำโมเดลแมชชีนเลิร์นนิ่งที่ฝึกอบรมมาติดตั้งใช้จริงกับอินสแตนซ์ Amazon Inf1 ที่สร้างโดยใช้ชิป AWS Inferentia เพื่อมอบอินเทอร์เฟซที่มีประสิทธิภาพสูงและต้นทุนต่ำ เมื่อใช้อินสแตนซ์ Inf1 คุณจะสามารถเรียกใช้แอปพลิเคชันการอนุมานของแมชชีนเลิร์นนิ่งขนาดใหญ่ เช่น การจดจำภาพ การจดจำคำพูด การประมวลผลภาษาธรรมชาติ การปรับให้เข้ากับบุคคล และการตรวจจับการฉ้อโกงได้ Amazon SageMaker Neo ช่วยให้คุณรวบรวมโมเดลแมชชีนเลิร์นนิ่งที่ฝึกอบรมได้ เพื่อเรียกใช้อย่างเหมาะสมในอินสแตนซ์ Inf1 และติดตั้งใช้งานโมเดลที่รวบรวมในอินสแตนซ์ Inf1 สำหรับการอนุมานแบบเรียลไทม์ได้ง่าย

เริ่มต้นใช้งาน Amazon SageMaker

เริ่มต้นสร้างด้วย Amazon Sagemaker ใน AWS Management Console