Amazon SageMaker

สร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning ตามขนาด

Amazon SageMaker เป็นแพลตฟอร์มที่ได้รับการจัดการอย่างครบครันซึ่งจะทำให้ Developer และนักวิทยาศาสตร์ข้อมูลสามารถสร้าง ฝึกฝน และปรับใช้โมเดลของ Machine Learning ตามขนาดได้อย่างรวดเร็วและง่ายดาย Amazon SageMaker ขจัดปัญหาและอุปสรรคทั้งหมดที่มักขัดขวาง Developer ที่ต้องการใช้ Machine Learning

ในสายตาของ Developer ส่วนใหญ่ Machine Learning เป็นสิ่งที่ดูยากเกินกว่าความเป็นจริงมาก เนื่องด้วยกระบวนการในการสร้างและฝึกฝนโมเดล แล้วนำไปปรับใช้ในการผลิตมีความซับซ้อนหรือช้าเกินไป ก่อนอื่น คุณต้องเก็บรวบรวมและเตรียมข้อมูลการฝึกของคุณเพื่อสำรวจว่าองค์ประกอบใดในชุดข้อมูลของคุณมีความสำคัญบ้าง จากนั้น คุณต้องเลือกอัลกอริธึมและเฟรมเวิร์กที่จะใช้ หลังจากเลือกแนวทางแล้ว คุณจะต้องสอนวิธีการคาดการณ์ให้กับโมเดลโดยการฝึกฝนซึ่งต้องใช้การประมวลผลอย่างมาก จากนั้นคุณต้องปรับโมเดลเพื่อให้สามารถส่งมอบการคาดการณ์ที่ดีที่สุดเท่าที่เป็นไปได้ ซึ่งมักจะเป็นเรื่องที่น่าเบื่อหน่ายและต้องใช้ความพยายามสูง หลังจากคุณได้พัฒนาโมเดลที่ได้รับการฝึกฝนอย่างเต็มที่แล้ว คุณจะต้องผสานรวมโมเดลเข้ากับแอปพลิเคชันของคุณและปรับใช้แอปพลิเคชันนี้บนโครงสร้างพื้นฐานที่เป็นไปตามขนาด กระบวนการทั้งหมดนี้ต้องใช้ความเชื่ยวชาญเฉพาะทาง การเข้าถึงการประมวลผลและพื้นที่จัดเก็บขนาดใหญ่ และใช้เวลาในการทดลองและปรับใช้ทุกๆ ส่วนของกระบวนการให้เหมาะสมอย่างยาวนาน สุดท้ายแล้วจึงไม่ใช่เรื่องแปลกที่กระบวนการทั้งหมดนี้ดูเป็นเรื่องที่เกินความสามารถของ Developer ส่วนใหญ่

Amazon SageMaker จะขจัดความซับซ้อนยุ่งยากที่ชะลอความสำเร็จของ Developer ให้เกิดขึ้นช้าลงด้วยแต่ละขั้นตอนเหล่านี้ Amazon SageMaker รวมโมดูลที่สามารถใช้ร่วมกันหรือใช้เดี่ยวๆ เพื่อสร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning ได้

ขอแนะนำ Amazon SageMaker

วิธีทำงาน

สร้าง

Amazon SageMaker จะทำให้สามารถสร้างโมเดล ML และเตรียมโมเดลให้พร้อมสำหรับการฝึกได้อย่างง่ายดายโดยการจัดหาทุกอย่างที่คุณต้องการเพื่อให้เชื่อมต่อกับข้อมูลการฝึกของคุณได้อย่างรวดเร็ว และเพื่อให้เลือกและปรับใช้อัลกอริธึมและเฟรมเวิร์กที่ดีที่สุดสำหรับแอปพลิเคชันของคุณ Amazon SageMaker จะรวม Jupyter Notebook ที่เป็นโฮสต์ที่จะทำให้สามารถสำรวจและแสดงภาพข้อมูลการฝึกของคุณที่เก็บไว้ใน Amazon S3 ได้อย่างง่ายดาย คุณสามารถเชื่อมต่อกับข้อมูลใน S3 ได้โดยตรง หรือใช้ AWS Glue เพื่อย้ายข้อมูลจาก Amazon RDS, Amazon DynamoDB และ Amazon Redshift ไปใน S3 เพื่อการวิเคราะห์ในโน้ตบุ๊คของคุณ

เพื่อช่วยคุณเลือกอัลกอริธึมของคุณ Amazon SageMaker จะรวมอัลกอริธึม Machine Learning ที่แพร่หลายที่สุดไว้ซึ่งได้รับการติดตั้งและปรับให้เหมาะสมล่วงหน้าเพื่อมอบประสิทธิภาพที่เหนือชั้นกว่าการใช้งานอัลกอริธึมเหล่านี้ในที่อื่นๆ สูงสุด 10 เท่า Amazon SageMaker ยังได้รับการกำหนดค่าล่วงหน้าเพื่อรัน TensorFlow, Apache MXNet และ Chainer ในคอนเทนเนอร์ Docker คุณยังสามารถดาวน์โหลดคอนเทนเนอร์ของโอเพนซอร์สไปยังสภาพแวดล้อมบนเครื่องของตัวเอง และใช้ Amazon SageMaker Python SDK เพื่อทดสอบสคริปต์ในโหมดภายในก่อนที่จะใช้ Amazon SageMaker สำหรับการฝึกหรือการโฮสต์โมเดลในการผลิต คุณยังสามารถเลือกใช้เฟรมเวิร์กของคุณเองได้

ฝึกฝน

คุณสามารถเริ่มการฝึกโมเดลของคุณได้เพียงคลิกครั้งเดียวในคอนโซล Amazon SageMaker Amazon SageMaker จะจัดการโครงสร้างพื้นฐานทั้งหมดให้คุณและสามารถปรับขนาดเพื่อฝึกโมเดลในระดับเพตะไบต์ได้ เพื่อให้กระบวนการฝึกเร็วและง่ายขึ้นกว่าเดิม Amazon SageMaker สามารถปรับโมเดลของคุณให้มีความแม่นยำสูงที่สุดเท่าที่เป็นไปได้โดยอัตโนมัติ

ปรับใช้

เมื่อโมเดลของคุณได้รับการฝึกฝนและปรับเปลี่ยนแล้ว Amazon SageMaker จะทำให้สามารถปรับใช้ในการผลิตได้อย่างง่ายดายเพื่อให้คุณสามารถเริ่มสร้างการคาดการณ์ (กระบวนการมีชื่อว่าการอนุมาน) สำหรับข้อมูลแบบเรียลไทม์หรือเป็นชุด Amazon SageMaker จะปรับใช้โมเดลของคุณบนคลัสเตอร์การปรับขนาดอัตโนมัติของ อินสแตนซ์ ML Amazon SageMaker ที่แผ่ขยายไปทั่ว Availability Zone หลายๆ เขตเพื่อมอบทั้งประสิทธิภาพและความพร้อมใช้งานในระดับสูง Amazon SageMaker ยังรวมความสามารถในการทดสอบ A/B ในตัวเพื่อช่วยให้คุณทดสอบโมเดลของคุณและทดลองเวอร์ชันต่างๆ เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

Amazon SageMaker ขจัดภาระหนักในการใช้งาน Machine Learning เพื่อให้คุณสามารถสร้าง ฝึกฝน และปรับใช้ Machine Learning ได้อย่างรวดเร็วและง่ายดาย

ประโยชน์

เริ่มต้นการผลิตอย่างรวดเร็วด้วย Machine Learning

Amazon SageMaker ลดระยะเวลาในการฝึกฝน ปรับเปลี่ยน และปรับใช้โมเดล Machine Learning ลงอย่างมาก Amazon SageMaker จัดการและใช้เทคนิคในการฝึกฝนและการปรับเปลี่ยนทั้งหมดอย่างมีชั้นเชิงโดยอัตโนมัติเพื่อให้คุณสามารถนำโมเดลของคุณไปใช้ในการผลิตได้อย่างรวดเร็ว

เลือกเฟรมเวิร์กหรืออัลกอริธึมใดก็ได้

Amazon SageMaker รองรับทุกอัลกอริธึมและเฟรมเวิร์กของเครื่องเพื่อให้คุณสามารถใช้เทคโนโลยีที่คุณคุ้นเคยได้ Apache MXNet, TensorFlow และ Chainer จะได้รับการติดตั้งล่วงหน้า และ Amazon SageMaker มีอัลกอริธึม Machine Learning ประสิทธิภาพสูงในตัวอีกมากมาย หากคุณต้องการฝึกกับเฟรมเวิร์กหรืออัลกอริธึมอื่น คุณสามารถดึงเฟรมเวิร์กหรืออัลกอริธึมดังกล่าวมาไว้ในคอนเทนเนอร์ Docker ได้

การฝึกฝนและปรับใช้เพียงคลิกเดียว

Amazon SageMaker ทำให้คุณสามารถเริ่มการฝึกโมเดลของคุณได้ด้วยการคลิกเพียงครั้งเดียวบนคอนโซลหรือด้วยการเรียกใช้ API ง่ายๆ ครั้งเดียว เมื่อการฝึกเสร็จสมบูรณ์และคุณพร้อมที่จะปรับใช้โมเดลของคุณแล้ว คุณสามารถเปิดใช้ด้วยการคลิกเพียงครั้งเดียวในคอนโซล Amazon SageMaker

ผสานรวมกับเวิร์กโฟลว์ที่คุณมีอยู่อย่างง่ายดาย

Amazon SageMaker ได้รับการออกแบบให้มีสามโมดูลซึ่งสามารถใช้งานร่วมกันหรือแยกเดี่ยวโดยเป็นส่วนหนึ่งของเวิร์กโฟลว์ ML ใดก็ได้ที่มีซึ่งคุณอาจใช้งานอยู่แล้ว

การเข้าถึงโมเดลที่ได้รับการฝึกฝนแล้วอย่างง่ายดาย

Amazon SageMaker ทำให้สามารถผสานรวม Machine Learning เข้ากับแอปพลิเคชันของคุณได้อย่างง่ายดายโดยการให้ตำแหน่งข้อมูล HTTPS ที่ทุกแอปพลิเคชันสามารถเรียกใช้ได้

ได้รับการเพิ่มประสิทธิภาพเพื่อความเร็ว

Amazon SageMaker ได้รับการกำหนดค่าล่วงหน้าด้วย TensorFlow, Apache MXNet และ Chainer เวอร์ชันล่าสุด พร้อมด้วยการสนับสนุนไลบรารี CUDA9 เพื่อประสิทธิภาพสูงสุดเมื่อใช้งานกับ NVIDIA GPU ด้วยอินสแตนซ์ Amazon SageMaker P3 ที่ใช้ NVIDIA Volta V100 GPU ทำให้ Amazon SageMaker ช่วยให้คุณสามารถฝึกโมเดล Deep Learning ได้ด้วยความเร็วที่เหนือใคร

ลูกค้ารายสำคัญของ SageMaker

ฝึกฝนด้วยเฟรมเวิร์ก Deep Learning ใดๆ ก็ได้

ด้วย Amazon SageMaker คุณสามารถใช้เฟรมเวิร์ก Deep Learning ที่คุณเลือกสำหรับการฝึกฝนโมเดลได้ เพียงนำคอนเทนเนอร์ Docker ของคุณเองมาพร้อมกับเฟรมเวิร์กและไลบรารีที่คุณต้องการ เช่น Caffe2, PyTorch, Microsoft Cognitive Toolkit (CNTK), Chainer หรือ Torch จากนั้น Amazon SageMaker จะจัดการโครงสร้างพื้นฐานเพื่อฝึกฝนโมเดลของคุณ

TensorFlow
Caffe2
Apache MXNet
Chainer
Keras
Torch
Gluon
Microsoft Cognitive Toolkit
PyTorch

กรณีใช้งาน

การกำหนดกลุ่มเป้าหมายการโฆษณา

การใช้ Amazon SageMaker ควบคู่กับบริการของ AWS อื่นๆ จะช่วยเพิ่มผลกำไรจากค่าโฆษณาที่จ่ายไป Amazon SageMaker สามารถฝึกฝนและปรับใช้โมเดล Machine Learning ได้อย่างง่ายดายซึ่งสามารถกำหนดกลุ่มเป้าหมายโฆษณาออนไลน์ได้อย่างมีประสิทธิภาพขึ้น ทำให้สร้างความผูกพันกับลูกค้าและการเปลี่ยนผู้เข้าชมให้เป็นลูกค้าได้ดีขึ้น ระบบแนะนำ การคาดการณ์การคลิกโฆษณา การแบ่งกลุ่มลูกค้า และโมเดลการเพิ่มมูลค่าตลอดช่วงชีวิตของลูกค้าสามารถฝึกได้ในสภาพแวดล้อมแบบไร้เซิร์ฟเวอร์และแบบกระจายของ Amazon SageMaker เมื่อสร้างขึ้นแล้ว จะสามารถโฮสต์โมเดลในตำแหน่งข้อมูลแบบปรับขนาดอัตโนมัติที่มีเวลาแฝงต่ำ หรือส่งไปยังระบบการประมูลแบบเรียลไทม์ได้อย่างง่ายดาย

การคาดการณ์การผิดนัดชำระหนี้

Amazon SageMaker ทำให้สามารถคาดการณ์แนวโน้มการผิดนัดชำระหนี้ซึ่งเป็นปัญหาทั่วไปของ Machine Learning ได้ง่ายขึ้น Amazon SageMaker จะผสานรวมกับเฟรมเวิร์กการวิเคราะห์ที่มีอยู่ เช่น Amazon Redshift, Amazon EMR และ AWS Glue อย่างแนบแน่น ทำให้คุณสามารถเผยแพร่ชุดข้อมูลขนาดใหญ่ที่หลากหลายเข้าสู่ Amazon S3 Data Lake ได้ แล้วแปลงข้อมูลอย่างรวดเร็ว สร้างโมเดล Machine Learning และโฮสต์โมเดลนั้นเพื่อการคาดการณ์ออนไลน์ทันที

IoT และ Machine Learning สำหรับภาคอุตสาหกรรม

IoT และ Machine Learning สำหรับภาคอุตสาหกรรมสามารถช่วยให้เกิดการคาดการณ์แบบเรียลไทม์เพื่อคาดการณ์ความล้มเหลวของโปรแกรมหรือการกำหนดเวลาการบำรุงรักษา ทั้งนี้ก็เพื่อให้เกิดประสิทธิภาพในระดับสูงขึ้น  สามารถสร้างสำเนาดิจิตัล หรือแบบจำลองของสินทรัพย์ กระบวนการ หรือระบบเชิงกายภาพให้เป็นโมเดลเพื่อคาดการณ์การบำรุงรักษาเชิงป้องกันหรือเพื่อเพิ่มประสิทธิภาพการผลิตของเครื่องกลหรือกระบวนการทางอุตสาหกรรมที่ซับซ้อน โมเดลสามารถอัปเดตได้อย่างต่อเนื่องเพื่อ 'เรียนรู้' ให้ใกล้เคียงเวลาจริงมากที่สุดเพื่อรองรับการเปลี่ยนแปลงที่อาจเกิดขึ้น

ซัพพลายเชนและการคาดการณ์อุปสงค์

Amazon SageMaker จะให้โครงสร้างพื้นฐานและอัลกอริธึมที่จำเป็นต่อการพัฒนาการคาดการณ์ยอดขายของแต่ละผลิตภัณฑ์ทุกๆ รายการในสภาพแวดล้อมการซื้อขายออนไลน์ที่ใหญ่ที่สุด เพียงแค่มีข้อมูลอนุกรมเวลาและข้อมูลหมวดหมู่สินค้า Amazon SageMaker ก็สามารถเลือกฤดูกาล แนวโน้ม และความเหมือนกันของสินค้าเพื่อมอบการคาดการณ์ที่แม่นยำที่สุดแม้จะเป็นสินค้าใหม่ก็ตาม

การคาดการณ์การคลิกโฆษณา

Amazon SageMaker สามารถให้การใช้งานอัลกอริธึม XGboost ได้ทั้งในแบบเครื่องเดียวและแบบกระจาย CPU ซึ่งมีประโยชน์สำหรับกรณีการใช้งานการจำแนก การถดถอยแบบพหุคูณ และการจัดอันดับ เช่น การคาดการณ์อัตราการคลิกโฆษณา ระบบการคาดการณ์การคลิกโฆษณาเป็นหัวใจหลักของระบบการโฆษณาออนไลน์ส่วนใหญ่ ทั้งนี้เพราะระบบดังกล่าวมีความสำคัญในการคาดการณ์อัตราการคลิกโฆษณา (CTR) ให้ได้แม่นยำที่สุดเพื่อรับประกันว่าผู้บริโภคจะได้รับประสบการณ์ที่ดีที่สุด เมื่อใช้อัลกอริธึม XGBoost คุณจะสามารถเรียกใช้โปรแกรมคาดการณ์ตามเวลาจริงและส่งผลการคาดการณ์ที่ผ่านการให้คะแนนคืนได้ จากนั้นคุณจะสามารถกำหนดได้ว่าจะแสดงโฆษณาจากผู้ลงโฆษณารายใดรายหนึ่งหรือไม่ และพัฒนาการคาดการณ์ CTR ของคุณในโฆษณาแบบดิสเพลย์

การคาดการณ์คุณภาพของเนื้อหา

Amazon SageMaker มีเครื่องมือจำนวนมากที่ใช้สำหรับการประมวลผลล่วงหน้าและการหาโครงสร้างภายในข้อความ โดยจะใช้ข้อมูลนั้นในการสร้างการคาดการณ์เกี่ยวกับคุณภาพของเนื้อหา คุณสามารถสร้างการฝังคำเพื่อหาคำที่มีความหมายและคำที่อยู่ในโครงสร้างประโยคที่คล้ายกันในข้อความปริมาณมาก และรวบรวมคำที่คล้ายกันเป็นกลุ่มเพื่อเลี่ยงไม่ให้คำกระจัดกระจาย จากนั้นรวมเอกสารที่คล้ายกันอย่างอิสระด้วยโมเดลหัวข้อขั้นสูงของ Amazon SageMaker สุดท้าย สร้างโมเดลการจำแนกประเภทแบบแยกโดยการรวมข้อมูลคำที่ได้รับการลดขนาดซึ่งจับกลุ่มไว้แล้วเพื่อกำหนดว่าเอกสารควรได้รับการปรับให้พอดีหรือไม่

เรียนรู้เพิ่มเติมเกี่ยวกับ Amazon SageMaker

ไปที่หน้าคุณสมบัติ
พร้อมสร้างหรือยัง
เริ่มต้นใช้งาน Amazon SageMaker