Temel özellikler

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.

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.

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.

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.

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.

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.

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.

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.

SageMaker JumpStart'ı kullanarak, sadece birkaç tıklamayla dağıtılabilen yüzlerce önceden oluşturulmuş çözüm sayesinde ML'yi hızlıca kullanmaya başlayın.

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.

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.

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.

SageMaker Hata Ayıklayıcısı'nı kullanarak, model üretime dağıtılmadan önce performans sorunlarını hızlıca düzeltmek için ölçümleri ve profil eğitim işlerini gerçek zamanlı olarak yakalayın.

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.

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.

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.

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.

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.

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.

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.