Amazon SageMaker Stüdyo
Makine öğrenimi için tam olarak entegre geliştirme ortamı (IDE)
Tek bir web tabanlı görsel arabirimde en kapsamlı araç setine erişimle, ham verileri hazırlamaktan ML modellerini dağıtıp izlemeye kadar tüm ML geliştirme adımlarını gerçekleştirin.
Modellerinize ince ayar yapmak için ML yaşam döngüsü adımları arasında hızlıca geçiş yapın. SageMaker Stüdyo'dan çıkmadan eğitim deneylerini tekrar oynatın, model özelliklerini ve diğer girdileri ayarlayın ve sonuçları karşılaştırın.
150'den fazla popüler açık kaynak modele ve 15'ten fazla önceden oluşturulmuş çözüme erişimle ML modellerini dakikalar içinde oluşturun. ML modellerini kendi verilerinizle yalnızca birkaç tıklamayla oluşturun.
Amazon SageMaker Stüdyo; veri hazırlama sürecinden ML modellerinizi oluşturma, eğitme ve dağıtmaya kadar tüm makine öğrenimi (ML) geliştirme adımlarını gerçekleştirerek veri bilimi ekibinin üretkenliğini 10 katına kadar artıran amaca özel tasarlanmış araçlara erişebileceğiniz tek bir web tabanlı görsel arabirim sunan bir entegre geliştirme ortamıdır (IDE). SageMaker Stüdyo'dan çıkmadan hızlı bir şekilde veri yükleyebilir, yeni not defterleri oluşturabilir, modelleri eğitip ayarlayabilir, adımlar arasında geçiş yaparak denemeleri düzenleyebilir, kuruluşunuz dahilinde sorunsuz şekilde iş birliği yapabilir ve modelleri üretim aşamasına dağıtabilirsiniz.
Nasıl çalışır?

Temel özellikler
Verileri Hazırlayın
Çok az kod kullanarak veya hiç kod kullanmadan sadece birkaç tıklamayla verileri hazırlayın
40'tan fazla AWS ve üçüncü taraf veri kaynağına bağlanın, verileri içeri aktarın, veri kalitesini doğrulayın, 300'den fazla yerleşik veri dönüşümünü kullanarak model özellikleri tasarlayın ve SageMaker Data Wrangler'ı kullanarak bunları birkaç tıklamayla SageMaker Özellik Deposu'na kaydedin. Verileri uygun ölçekte işlemek için Data Wrangler işleri oluşturabilir veya planlayabilirsiniz ve SageMaker İşlem Hatları'nı kullanarak ML iş akışındaki veri hazırlama adımlarını otomatikleştirebilirsiniz.
SageMaker Stüdyo not defterlerini kullanarak verileri hazırlayın
Veri mühendisliğine, analize ve ML'ye yönelik birleşik bir not defteri ortamıyla veri iş akışlarınızı basitleştirin. Doğrudan Stüdyo not defterlerinden Amazon EMR kümeleri ve AWS Glue Etkileşimli Oturumları oluşturun, bunlara göz atın ve bağlanın. Doğrudan not defterlerinden Spark kullanıcı arabirimi gibi bildiğiniz araçları kullanarak Spark işlerinizi izleyin ve bunlarda hata ayıklama gerçekleştirin. SageMaker Data Wrangler tarafından desteklenen yerleşik veri hazırlama özelliğini doğrudan Stüdyo not defterlerinden kullanarak tek satır kod yazmadan verileri görselleştirin, veri kalitesi sorunlarını belirleyin ve veri kalitesi ile model doğruluğunu iyileştirmeye yönelik önerilen çözümleri uygulayın.
Birkaç tıklamayla veri işleme
SageMaker İşlem Merkezi'ni kullanarak veri depolarına bağlanın, veri işleme görevinizi yürütmek için gereken kaynakları başlatın, çıktıyı kalıcı depolamaya kaydedin, ayrıca günlük ve ölçümler sağlayın.
Merkezi Bir Özellik Deposu
SageMaker Stüdyo'da tam olarak yönetilen, amaca özel tasarlanmış bir depo olan SageMaker Özellik Deposu'nu kullanarak ML uygulamaları genelinde özelliklerin yeniden kullanımını teşvik etmeye yönelik eğitim ve çıkarımlar için ML modeli özelliklerini depolayın, paylaşın ve yönetin. Hem eğitim hem de çıkarım sırasında tutarlı şekilde aynı özellikleri elde ederek geliştirme çabalarından aylar düzeyinde zaman tasarrufu sağlayabilirsiniz.
Oluşturun
SageMaker Stüdyo not defterlerine hızlı başlangıç
Tam olarak yönetilen Jupyter not defterlerine Stüdyo'da tek tıklamayla erişin. SageMaker Stüdyo not defterleri, model oluşturmaya hızlı şekilde başlamanıza yardımcı olmak üzere, TensorFlow ve PyTorch'a yönelik derin öğrenme ortamlarıyla (AWS tarafından optimize edilmiş) önceden yapılandırılmış olarak sunulur. Altta yatan temel işlem kaynaklarını, çalışmanızı kesintiye uğratmadan artırıp azaltabilirsiniz.
Kolaylaştırılmış not defteri iş birliği
Aynı not defteri dosyasını ortak şekilde düzenleyin, not defteri kodunu eş zamanlı olarak çalıştırın ve iş birliğini kolaylaştırmak üzere sonuçları birlikte gözden geçirin. Tüm kaynaklar otomatik olarak etiketlenir. Böylece SageMaker Stüdyo'nun maliyeti ve kullanımı kolaylaşır.
Yerleşik algoritmalar
Önceden oluşturulmuş container görüntülerinde kullanıma sunulan ve çıkarımları hızlıca eğitip çalıştırmaya yönelik 15'ten fazla yerleşik algoritmayı kullanın ya da SageMaker Stüdyo'ya kendi özel görüntülerinizi getirin.
AutoML
SageMaker Otomatik Pilot'u kullanarak tam denetim ve görünürlüğü sürdürürken verilerinizi temel alan en iyi ML modellerini otomatik olarak oluşturun, eğitin ve ayarlayın. Ardından, sadece tek bir tıklamayla modelleri doğrudan üretime dağıtın. Ayrıca SageMaker Otomatik Pilot'un oluşturduğu her model için otomatik olarak bir SageMaker Stüdyo not defteri oluşturabilir ve ilgili modelin nasıl oluşturulduğuna ilişkin ayrıntıları derinlemesine inceleyebilir, modeli istediğiniz gibi iyileştirebilir ve not defterinden yeniden oluşturabilirsiniz.
Önceden oluşturulmuş çözümler ve açık kaynak modeller
SageMaker JumpStart'ı kullanarak, sadece birkaç tıklamayla dağıtılabilen yüzlerce önceden oluşturulmuş çözüm sayesinde ML'yi hızlıca kullanmaya başlayın.
Eğitme
Dağıtılmış eğitim
Dağıtılmış bir işlem kümesi ayarlayın, eğitimi gerçekleştirin, sonuçların çıktısını Amazon Basit Depolama Hizmeti'ne (S3) yükleyin ve kümeyi tek bir tıklamayla ortadan kaldırın. SageMaker veri paralelini ve model paraleli kitaplıklarını kullanarak modelleri uygun ölçekte eğitin ve SageMaker Eğitim Derleyicisi'ni kullanarak grafik ve çekirdek düzeyinde optimizasyonlar aracılığıyla eğitim sürecini %50'ye kadar hızlandırın. Yönetilen spot bulut sunucusu eğitimini kullanarak maliyetleri %90'a kadar azaltabilirsiniz.
Deney yönetimi ve izleme
SageMaker Deneyler'i kullanarak girdi parametrelerini, yapılandırmaları ve sonuçları yakalayıp bunları deneyler olarak depolayarak ML modellerine yapılan yinelemeleri takip edin. Aktif deneyleri tarayabilir, önceki deneyler için arama yapıp bunları gözden geçirebilir ve deneylerin sonuçlarını karşılaştırabilirsiniz.
Otomatik model ayarlama
Modelin üretebildiği en doğru tahminlere gelebilmek için binlerde algoritma parametresi kombinasyonunu ayarlayarak modelinizde otomatik olarak ayar yapın. Böylece, göstereceğiniz çabadan haftalar düzeyinde zaman tasarrufu sağlayın.
Hata ayıklama ve profil eğitimi yürütmeleri
SageMaker Hata Ayıklayıcısı'nı kullanarak, model üretime dağıtılmadan önce performans sorunlarını hızlıca düzeltmek için ölçümleri ve profil eğitim işlerini gerçek zamanlı olarak yakalayın.
Dağıtın ve Yönetin
Daha kolay dağıtım
Eğitilmiş modelinizi tek bir tıklamayla üretime dağıtın. Düşük gecikme süresi (birkaç milisaniye) ve yüksek aktarım hızından (saniyede yüz binlerce istek) doğal dil işleme ve bilgisayarlı görü gibi kullanım örneklerine yönelik uzun süreli çıkarımlara kadar tüm çıkarım ihtiyaçlarınız için SageMaker Model Dağıtımı'na SageMaker Stüdyo içinden erişin.
Çok modelli uç noktalar
SageMaker'ın çok modelli ve çok container'lı uç noktalarını kullanarak tek bir uç nokta üzerinde binlerce model dağıtın ve böylece maliyet uygunluğunu artırırken modelleri ihtiyaç duyduğunuz sıklıkta kullanma esnekliği sağlayın.
Model sürümlerini merkezi olarak takip edin ve yönetin
SageMaker Model Kaydı ile model sürümlerini, bunların meta verilerini ve performansı izleyin. Böylece, işletme gereksinimlerinize dayalı olarak dağıtım için doğru modeli seçmeniz kolaylaşsın. Ayrıca, denetim ve uygunluk için onay iş akışlarını otomatik olarak günlüğe kaydedebilirsiniz.
Üretim uygulamaları için yeni modelleri hızlıca teslim edin
SageMaker Projeler'i kullanarak geliştirme ve üretim ortamları arasındaki eşitliği koruma, kaynak ve sürüm denetimi, A/B testleri ve otomasyon gibi sürekli entegrasyon ve teslim (CI/CD) uygulamalarını ML'ye getirin.
Sürekli model izleme
SageMaker Stüdyo içinde SageMaker Model İzleyici'yi kullanarak model sapması ve konsept sapmasını gerçek zamanlı olarak algılamak suretiyle kaliteyi koruyun. SageMaker'da eğitilen tüm modeller otomatik olarak SageMaker Stüdyo'da toplanıp izlenebilecek temel ölçümler oluşturur.
Not defterindeki kodların otomatik olarak üretim ortamına hazır işler haline dönüştürülmesi
Bir not defteri seçildiğinde, Amazon SageMaker Stüdyo not defteri tüm not defterinin bir anlık yedeğini alır, bağımlılıklarını bir container'a paketler, altyapıyı oluşturur, not defterini uygulayıcı tarafından belirlenmiş bir programa uyan otomatik bir iş olarak yürütür ve işin tamamlanması sonrasında altyapıyı kullanımdan kaldırır. Böylece, bir not defterini üretime taşıma süresini haftalardan saatlere düşürür.
Model oluşturma iş akışlarını otomatikleştirin
SageMaker İşlem Hatları'nı kullanarak veri hazırlama, özellik mühendisliği, model eğitme, model ayarlama ve model doğrulama dahil olmak üzere model oluşturma iş akışının tamamını otomatikleştirin. SageMaker İşlem Hatları'nı düzenli aralıklarla otomatik olarak veya belirli olaylar meydana geldiğinde çalışması için ya da gerekli olduğunda bunları manuel olarak yürütmek üzere yapılandırabilirsiniz.
ML modellerindeki sapmaları tespit edin
SageMaker Clarify sayesinde, belirlediğiniz öznitelikleri inceleyerek veri hazırlama sırasında, model eğitiminden sonra ve dağıtılan modelinizde olası sapmaları tespit edip sınırlandırın. SageMaker Clarify ayrıca model açıklanabilirliği raporları sunarak paydaşların modellerin neden ve nasıl tahminde bulunduğunu görmesini sağlar.
Müşteriler

SageMaker Stüdyo sayesinde, AstraZeneca büyük miktarda veriyi analiz etmeye yönelik bir çözümü hızlıca dağıtmayı ve böylece öngörüleri hızlandırarak veri bilimcilerinin manuel iş yükünü azaltmayı başardı. Bu, AstraZeneca'nın dünyanın dört bir yanındaki insanlar için hayatları değiştiren ilaçlar keşfetme ve geliştirme misyonu açısından büyük önem taşıyor.
"Birçok manuel süreç oluşturmak yerine, Amazon SageMaker Stüdyo'nun içinde ML geliştirme sürecinin büyük bir kısmını otomatikleştirebiliyoruz."
Cherry Cabading, Küresel Kıdemli Kurumsal Mimar - AstraZeneca

INVISTA, model izleme için Stüdyo'nun içinden Amazon SageMaker Deneyler'i kullandı. Deneyleri yönetmeye, daha geniş bir proje kapsamı elde etmeye ve yeni modelleri, ölçümleri ve performansı yapılandırılmış bir şekilde eklemeye yönelik kolay bir arabirimle INVISTA, veri biliminin katma değerini hızlandırdı.
"Amazon SageMaker Stüdyo sayesinde artık veri bilimi görevlerini eş konumlu hale getirebiliyoruz. Bu, altyapıyı ve depoları yönetme bağlamında zamandan tasarruf etmemizi sağlıyor ve algoritmalar ile analiz projelerini üretime dağıtma süresini azaltmamıza yardımcı oluyor."
Tanner Gonzalez, Analiz ve Bulut Lideri - INVISTA

SageMaker Stüdyo ve Deneyler ile, SyntheticGestalt en iyi deney ayarlarını 2 kat daha hızlı bir şekilde belirleyebiliyor. Bu da nihai olarak hayatı değiştiren aday moleküller üretme yeteneğini hızlandırıyor.
"SageMaker, araştırmacılarımızın binlerce deney ayarını kolayca karşılaştırmasına yardımcı oluyor. Araştırmacılarımız, eskiden saatlerini tüketen işlemleri artık tek bir adımda gerçekleştirebiliyor."
Kotaro Kamiya, CTO - SyntheticGestalt Ltd.

Kaynaklar
Amazon SageMaker Stüdyo not defterlerini kullanarak veri hazırlığını ölçeklendirin

Amazon SageMaker Stüdyo içinde yerel olarak bir makine öğrenimi (ML) modeli oluşturup eğitmek için bu adım adım öğreticiyi takip edin.

Bu uygulamalı laboratuvarda bir ML modeli oluşturmak, eğitmek ve dağıtmak için Amazon SageMaker'ı nasıl kullanacağınızı öğreneceksiniz.

AWS Yönetim Konsolu'nda Amazon SageMaker ile oluşturmaya başlayın.