Amazon SageMaker

Her geliştirici ve veri bilimcisi için makine öğrenimi

Amazon SageMaker, her geliştiriciye ve veri bilimcisine makine öğrenimi (ML) modellerini hızla geliştirme, eğitme ve dağıtma kabiliyeti sunan, tam olarak yönetilen bir hizmettir. SageMaker, makine öğrenimi sürecinin her adımındaki ağır yükleri üstlenerek yüksek kaliteli model geliştirmeyi daha kolay hale getirir.

Geleneksel ML karmaşık, yüksek maliyetli ve yinelemeli süreçlerden oluşur ve makine öğrenimi iş akışının tamamı için entegre araçlar bulunmadığından tüm bu süreç daha da zor hale gelir. Farklı araçlar ve iş akışları arasında bağlantı kurma gereksinimi, fazladan zaman harcanmasına neden olur ve süreci hatalara açık hale getirir. SageMaker, makine öğrenimi için kullanılan tüm bileşenleri tek bir araç seti halinde sunarak modellerin daha kolay, daha hızlı ve daha düşük maliyetle üretim aşamasına geçirilmesini sağlar.

Makine öğrenimi modelleri oluşturun

YALNIZCA AMAZON SAGEMAKER'DA

İlk tam entegre makine öğrenimi geliştirme ortamı (IDE) olan Amazon SageMaker Studio ile üretkenliği artırın.

Amazon SageMaker Studio, ML geliştirme sürecindeki tüm adımları tamamlayabileceğiniz tek bir web tabanlı görsel arayüz sunar. SageMaker Studio; model oluşturma, eğitme ve dağıtma adımları için tam kapsamlı erişim, denetim ve görünürlük sunar. Hızlı bir şekilde veri yükleyebilir, yeni not defterleri oluşturabilir, modelleri eğitip ayarlayabilir, adımlar arasında geçiş yaparak denemeleri düzenleyebilir, sonuçları karşılaştırabilir ve modelleri üretim aşamasına dağıtabilirsiniz. Tüm bunları tek bir yerden yaparak üretkenliğinizi çok daha üst seviyelere çıkarabilirsiniz. Not defterleri, deneme yönetimi, otomatik model oluşturma, hata ayıklama ve profil oluşturma ve model sapma algılama gibi tüm ML geliştirme işlemleri birleşik SageMaker Studio görsel arayüzünden gerçekleştirebilirsiniz.

SageMaker Studio
Sagemaker Studio

ML geliştirme süreci için bir IDE kullanın. Örneğin bir not defteri içindeki modellerde güncelleme yaptıktan sonra not defterinizi ve eğitim denemelerinizi yan yana görüntüleyerek yapılan değişikliklerin model kalitesini nasıl etkilediğini görün.

ML geliştirme süreci için bir IDE kullanın. Örneğin bir not defteri içindeki modellerde güncelleme yaptıktan sonra not defterinizi ve eğitim denemelerinizi yan yana görüntüleyerek yapılan değişikliklerin model kalitesini nasıl etkilediğini görün.

 Büyütmek için tıklayın

YALNIZCA AMAZON SAGEMAKER'DA

Amazon SageMaker Notebooks'u kullanarak oluşturma ve iş birliği süreçlerini hızlandırın

Bir not defteri görüntüleme, çalıştırma veya paylaşma amacıyla kullanılan işlem bulut sunucularını yönetmek uğraştırıcı bir işlemdir. Önizleme sürümündeki Amazon SageMaker Notebooks hizmeti, birkaç saniye içinde ve tek tıkla başlatabileceğiniz Jupyter not defterleri sunar. Arka plandaki işlem kaynakları tamamen esnek olduğundan erişilebilir kaynakları kolayca artırıp azaltabilirsiniz. Buna bağlı değişiklikler arka planda otomatik olarak gerçekleştirilir ve çalışmalarınızda kesinti yaşanmaz. SageMaker ayrıca not defterlerinin tek tıkla paylaşılmasını da sağlar. Tüm kod bağımlılıkları otomatik olarak yakalandığından diğer kullanıcılarla kolayca iş birliği yapabilirsiniz. Tüm kullanıcılar, aynı yere kaydedilmiş olan aynı not defterine erişim sağlar.

SageMaker'daki farklı kullanım amaçlarına yönelik tasarlanmış olan düzinelerce hazır not defteri arasından seçim yapabilirsiniz. Dilerseniz AWS Marketplace'teki yüzlerce algoritmadan ve önceden eğitilmiş modellerden faydalanarak hızlı bir başlangıç yapabilirsiniz.

Not Defterleri
Not Defterleri

Not defterindeki kodları yeniden oluşturmak için bağımlılıkları el ile izlemeye gerek kalmadan paylaşabileceğiniz bir bağlantı oluşturun.

Not defterindeki kodları yeniden oluşturmak için bağımlılıkları el ile izlemeye gerek kalmadan paylaşabileceğiniz bir bağlantı oluşturun.

 Büyütmek için tıklayın

YALNIZCA AMAZON SAGEMAKER'DA

Amazon SageMaker Autopilot'ı kullanarak modelleri tam görünürlük ile denetimle otomatik olarak oluşturun, eğitin ve ayarlayın

Amazon SageMaker Autopilot, ML modelleriniz üzerinde tam denetim ve görünürlük sunan sektördeki ilk otomatik makine öğrenimi hizmetidir. Geleneksel otomatikleştirilmiş makine öğrenimi yaklaşımlarında modeli oluşturma sırasında kullanılan öngörüler veya model oluşturulurken kullanılan mantıksal öğeler paylaşılmaz. Sonuç olarak orta düzey bir model elde etseniz dahi onu geliştirme şansınız yoktur. Ayrıca geleneksel otomatik ML çözümleri yalnızca bir model seçeneği sunduğundan daha düşük gecikmeli tahminler için doğruluktan fedakarlık yapma gibi esnek seçenekler mevcut değildir.

SageMaker Autopilot ham verileri otomatik olarak inceler, özellik işlemcilerini uygular, en iyi algoritma kümesini seçer, birden fazla modeli eğitip ayarlar, performanslarını izler ve ardından modelleri performanslarına göre sıralar. Üstelik tüm bu işlemleri birkaç tıkla gerçekleştirir. Sonuçta modeli eğitmek için harcanması gereken zamanın çok ufak bir bölümünde dağıtabileceğiniz en iyi performanslı modeli elde etmiş olursunuz. Modelin oluşturulma süreci ve içindekilerle ilgili tam görünürlük elde edersiniz. Ayrıca SageMaker Autopilot, Amazon SageMaker Studio ile entegre bir şekilde çalışır. SageMaker Studio'nun içinden SageMaker Autopilot tarafından oluşturulmuş olan 50 farklı modeli keşfedebilir ve bu sayede kullanım amacınıza en uygun olan modeli kolayca seçebilirsiniz. Makine öğrenimi alanında deneyim sahibi olmayan kişiler de SageMaker Autopilot'ı kullanarak kolayca bir model oluşturabilir. Deneyimli geliştiriciler ise bu hizmet sayesinde ekiplerin ilerletebileceği temel bir modeli kolayca geliştirebilir.

Daha fazla bilgi edinin »

Autopilot
Autopilot

Makine öğrenimi modellerini otomatik olarak oluşturun ve kullanım amacınıza en uygun olanı seçin. Örneğin lider tablosunu gözden geçirerek her bir seçeneğin performansını görüntüleyebilir ve model doğruluğu ile gecikme süresi gereksinimlerinize uygun olan modeli seçebilirsiniz.

Makine öğrenimi modellerini otomatik olarak oluşturun ve kullanım amacınıza en uygun olanı seçin. Örneğin lider tablosunu gözden geçirerek her bir seçeneğin performansını görüntüleyebilir ve model doğruluğu ile gecikme süresi gereksinimlerinize uygun olan modeli seçebilirsiniz.

 Büyütmek için tıklayın

YALNIZCA AMAZON SAGEMAKER'DA

Amazon SageMaker Ground Truth'u kullanarak veri etiketleme maliyetlerinizi %70'e varan oranlarda azaltın

Başarılı makine öğrenimi modelleri, yüksek hacimli ve yüksek kaliteli eğitim verileriyle oluşturulur. Ancak bu modelleri oluşturmak için gerekli olan eğitim verilerini toplama süreci genellikle yüksek maliyetlidir, karmaşıktır ve çok zaman alır. Amazon SageMaker Ground Truth, yüksek doğruluk oranına sahip eğitim verisi kümelerini hızla oluşturmanıza ve yönetmenize yardımcı olur. Ground Truth, etiketleme sorumlularına Amazon Mechanical Turk üzerinden kolay erişim sağlamasının yanı sıra yaygın etiketleme görevleri için yerleşik iş akışları ve arayüzler sunar. Dilerseniz kendi etiketleme sorumlularınızı kullanabilir veya AWS Marketplace'teki Amazon tarafından önerilen satıcıları tercih edebilirsiniz. Ground Truth, aynı zamanda insanların hazırladığı etiketleri sürekli olarak öğrenip yüksek kaliteli, otomatik açıklamalar oluşturarak etiketleme maliyetlerini ciddi anlamda düşürür.

Daha fazla bilgi edinin »

%70

DAHA AZ MALİYETLE VERİ ETİKETLEME

Amazon SageMaker, lider derin öğrenme çerçevelerini destekler

Desteklenen çerçeveler arasında TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn, ve Deep Graph Library vardır. 

Amazon-SageMaker_Framework-Logos_F2f3f3

Makine öğrenimi modellerini eğitin

YALNIZCA AMAZON SAGEMAKER'DA

Amazon SageMaker Experiments'ı kullanarak eğitim çalıştırmalarını organize edin, izleyin ve değerlendirin

Amazon SageMaker Experiments, makine öğrenimi modeli yinelemelerini organize etmenize ve izlemenize yardımcı olur. Bir ML modelini eğitmek için genellikle değişen veri kümelerinin, algoritma sürümlerinin ve model parametrelerinin etkisini yalıtma ve ölçme amacıyla birçok yineleme yapılması gerekir. Bu yinelemeler sırasında modeller, eğitim verileri, platform yapılandırmaları, parametre ayarları ve eğitim ölçümleri gibi yüzlerce yapıt oluşturursunuz. Bu denemeleri izlemek için genellikle çalışma sayfaları gibi verimsiz mekanizmalar kullanılır.

SageMaker Experiments; giriş parametrelerini, yapılandırmaları ve sonuçları otomatik olarak yakalayıp "denemeler" halinde depolayarak yinelemeleri yönetmenize yardımcı olur. SageMaker Studio'nun görsel arayüzünde etkin denemelere göz atabilir, özelliklerine göre eski denemelerde arama yapabilir, eski denemeleri ve sonuçlarını gözden geçirebilir ve deneme sonuçlarını görsel olarak karşılaştırabilirsiniz.

Denemeler
Denemeler

Modelinizin doğruluğunu anlamak için binlerce eğitim denemesini izleyin. Örneğin, zaman serisi veri kümelerinin model doğruluğunu nasıl etkilediğini grafik haline görüntüleyebilirsiniz.

Modelinizin doğruluğunu anlamak için binlerce eğitim denemesini izleyin. Örneğin, zaman serisi veri kümelerinin model doğruluğunu nasıl etkilediğini grafik haline görüntüleyebilirsiniz.

 Büyütmek için tıklayın

YALNIZCA AMAZON SAGEMAKER'DA

Amazon SageMaker Debugger'ı kullanarak makine öğrenimi sorunlarını analiz edin, hataları ayıklayın ve sorunları çözün

ML eğitim süreci çoğunlukla şeffaf bir süreç değildir ve bir modeli eğitmek için gereken süre hem uzun hem de optimize etmesi zor olabilir. Sonuç olarak modelleri yorumlamak ve açıklamak genellikle zordur. Amazon SageMaker Debugger, model doğruluğunu artırmanıza yardımcı olmak için eğitim ve doğrulama, karışıklık matrisleri ve öğrenme değişimleri gibi gerçek zamanlı eğitim ölçümlerini otomatik olarak yakalayarak eğitim sürecini daha şeffaf hale getirir.

SageMaker Debugger ölçümleri SageMaker Studio'da görselleştirilerek daha kolay anlaşılır duruma getirilebilir. SageMaker Debugger ayrıca sık karşılaşılan eğitim sorunları ortaya çıktığında uyarılar oluşturup çözüm önerileri sunabilir. SageMaker Debugger ile modelin nasıl çalıştığını yorumlayabilir, modelin daha açıklanabilir olmasını sağlayabilirsiniz.

Debugger
Debugger

Anormallikleri analiz edin ve hata ayıklayın. Örneğin değişimlerin ortadan kalktığı tespit edilirse sinir ağı eğitimi durdurulur. SageMaker Debugger, kaybolan değişimleri tanımladığından eğitim etkilenmeden önce gerekli müdahaleyi yapabilirsiniz.

Anormallikleri analiz edin ve hata ayıklayın. Örneğin değişimlerin ortadan kalktığı tespit edilirse sinir ağı eğitimi durdurulur. SageMaker Debugger, kaybolan değişimleri tanımladığından eğitim etkilenmeden önce gerekli müdahaleyi yapabilirsiniz.

 Büyütmek için tıklayın

AWS, TensorFlow çalıştırmak için en uygun ortamdır

AWS TensorFlow optimizasyonları, çok daha kısa sürede daha doğru ve daha sofistike modeller eğitmenin getireceği işlem yükünden çok daha az bir yükle, yüzlerce GPU'nun bulut ölçeğinde çalışması için neredeyse doğrudan ölçeklendirme verimliliği sağlar.

%90

ÖLÇEKLENDİRME VERİMLİLİĞİ, 256 GPU İLE

Eğitim maliyetlerini %90 azaltın

Amazon SageMaker ile sunulan Managed Spot Training, eğitim maliyetlerinizi %90'a varan oranlarda azaltmanıza yardımcı olur. Bu özellik, yedek AWS işlem kapasitesi olan Amazon EC2 Spot bulut sunucularını kullanır. Eğitim işleri, işlem kapasitesi erişilebilir duruma geldiğinde otomatik olarak çalıştırılır ve kapasite değişimlerinden kaynaklanan kesintilere karşı dayanıklı hale getirilerek eğitim işlerini çalıştırırken maliyet tasarrufu yapmanıza ve esneklik elde etmenize olanak tanır.

%90

MALİYET AZALTMA, YÖNETİLEN SPOT EĞİTİMİ İLE

Makine öğrenimi modellerini dağıtın

Tek tıklamayla dağıtım

Amazon SageMaker, eğitilmiş modelinizi üretim ortamında tek tıkla kolayca dağıtarak gerçek zamanlı verilerle veya toplu verilerle tahmin oluşturmaya başlamanızı kolaylaştırır. Modelinizi yüksek yedeklilik için tek tıklamayla birden çok erişilebilirlik alanında otomatik olarak ölçeklendirilebilen Amazon ML bulut sunucularına dağıtabilirsiniz. Bulut sunucusu türünü ve istenen maksimum ve minimum sayıyı belirttiğinizde SageMaker gerekli işlemleri gerçekleştirir. SageMaker bulut sunucularını başlatır, modelinizi dağıtır ve uygulamanız için güvenli HTTPS uç noktasını ayarlar. Uygulamanızın düşük gecikme süresine ve yüksek aktarım hızına ulaşmak için bu uç noktasına bir API çağrısı içermesi yeterlidir. Model değiştiğinde uygulamanızın kodunda değişiklik yapılması gerekmediğinden bu mimari, yeni modellerinizi uygulamanıza birkaç dakika içinde entegre etmenizi sağlar.

YALNIZCA AMAZON SAGEMAKER'DA

Amazon SageMaker Model İzleme'yi kullanarak modellerinizin doğruluğunun zaman içinde azalmasını önleyin

Amazon SageMaker Model İzleme, geliştiricilerin kavramdan sapılan noktaları tespit edip düzeltmesini sağlar. Günümüzde dağıtılan modellerin doğruluğunu etkileyen önemli etmenlerden biri, tahmin oluşturmak için kullanılan verilerin, model eğitimi için kullanılan verilerden farklı olmasıdır. Örneğin ekonomik koşulların değişmesi, faiz oranlarını değiştirerek ev satın alma tahminlerini etkileyebilir. Modelin tahminde bulunmak için kullandığı düzenlerin geçerliliğini yitirdiği bu tür durumlar kavram sapması olarak adlandırılır. SageMaker Model İzleme, dağıtılan modellerdeki kavram sapmasını otomatik olarak algılar ve sorunun kaynağının tanımlanmasına yardımcı olan ayrıntılı uyarılar sunar. SageMaker'da eğitilen tüm modeller otomatik olarak SageMaker Studio'da toplanıp izlenebilecek temel ölçümler oluşturur. SageMaker Studio'dan toplanacak verileri, görüntüleme şeklini ve uyarı oluşturma zamanlarını yapılandırabilirsiniz.

Model İzleme
Model İzleme

Üretim ortamındaki modelleri izleyin. Örneğin önemli model özelliklerini ve özet istatistikleri içeren grafikleri görüntüleyebilir, bunların zaman içindeki değişimlerini izleyebilir ve eğitim sürecinde kullanılan özelliklerle karşılaştırabilirsiniz. Üretim ortamında çalışan modellerde bazı özelliklerde sapma görülebilir ve bu durum, modelinizi yeniden eğitmeniz gerektiğini işaret edebilir.

Üretim ortamındaki modelleri izleyin. Örneğin önemli model özelliklerini ve özet istatistikleri içeren grafikleri görüntüleyebilir, bunların zaman içindeki değişimlerini izleyebilir ve eğitim sürecinde kullanılan özelliklerle karşılaştırabilirsiniz. Üretim ortamında çalışan modellerde bazı özelliklerde sapma görülebilir ve bu durum, modelinizi yeniden eğitmeniz gerektiğini işaret edebilir.

 Büyütmek için tıklayın

YALNIZCA AMAZON SAGEMAKER'DA

Tahminleri insan incelemesiyle doğrulayın

Birçok makine öğrenimi uygulaması, sonuçların doğru olduğundan emin olunması için düşük güvenilirlikli tahminlerin insanlar tarafından incelenmesini gerektirir. Ancak insan incelemesini iş akışına dahil etmek, karmaşık süreçler gerektireceğinden zaman ve maliyet açısından verimli olmayabilir. Amazon Augmented AI, makine öğrenimi tahminlerinin insanlar tarafından incelenmesi için gerekli iş akışlarını oluşturmayı kolaylaştıran bir hizmettir. Augmented AI, yaygın makine öğrenimi kullanım örnekleri için yerleşik insan incelemesi iş akışları sunar. Amazon SageMaker'da oluşturulan modeller için kendi iş akışlarınızı da oluşturabilirsiniz. Augmented AI sayesinde modelin güvenilirliği yüksek tahminler yapamadığı durumlarda insanlar tarafından incelenmesini sağlayabilirsiniz.

Daha fazla bilgi edinin »

Amazon Elastic Inference'i kullanarak makine öğrenimi çıkarsama maliyetlerinde %75'e varan oranlarda tasarruf sağlayın

Çoğu derin öğrenme uygulamasında eğitilmiş bir modeli kullanarak tahminde bulunmak (çıkarsama süreci), uygulamanın işlem maliyetlerini etkileyen önemli kalemlerden biri olabilir. Tam ölçekli bir GPU bulut sunucusu, model çıkarsama için fazla gelebilir. Ayrıca, derin öğrenim uygulamanızın GPU, CPU ve bellek ihtiyaçlarını optimize etmeniz son derece zor olabilir. Amazon Elastic Inference, kodunuzda değişiklik yapmadan herhangi bir Amazon EC2 veya Amazon SageMaker bulut sunucusu tipine veya Amazon ECS görevine doğru miktarda GPU destekli çıkarsama hızlandırması ekleyerek bu sorunların üstesinden gelmenizi sağlar. Elastic Inference sayesinde uygulamanızın genel CPU ve bellek ihtiyaçlarına en uygun bulut sunucusu tipini seçebilir ve kaynakları verimli bir şekilde kullanıp çalışan çıkarsamanın maliyetini azaltmak için ihtiyacınız olan çıkarsama hızlandırması miktarını ayrı bir şekilde yapılandırabilirsiniz.

%75

DAHA DÜŞÜK ÇIKARSAMA MALİYETİ

Düzenleme ve yönetim için Kubernetes ile entegre edin

Kubernetes; container'lı uygulamaların dağıtım, ölçeklendirme, ve yönetim süreçlerini otomatikleştirmek için kullanılan bir açık kaynak sistemdir. Çoğu müşteri, makine öğrenimi için Amazon SageMaker'ın tam olarak yönetilen özelliklerini kullanmayı istemenin yanı sıra platform ve altyapı ekiplerinin işlem hattı düzenleme ve yönetimi için Kubernetes'i kullanmaya devam etmesini istemektedir. SageMaker, kullanıcıların SageMaker içinde Kubernetes operatörleri ve işlem hatlarını kullanarak model eğitmelerini ve dağıtmalarını sağlar. Kubernetes kullanıcıları, Kubeflow'dan tüm SageMaker özelliklerine yerel olarak erişebilir.

Amazon SageMaker'ı Kullanmaya Başlayın

AWS Management Console’da Amazon Sagemaker ile oluşturmaya başlayın.