張貼日期: Nov 28, 2018
Amazon SageMaker 現在支援更佳的協調、試驗和協作新功能，以提升機器學習 (ML) 工作流程。AWS Step Functions 現與 Amazon SageMaker 和 AWS Glue 整合，讓您更輕鬆建立、部署、監控並重複利用 ML 工作流程。藉助 AWS Step Functions，您現在只需透過少數程式碼，即可快速連線多項 Amazon SageMaker 工作，實現 ML 工作流程自動化。即日起我們現在提供的 Beta 版新功能，可協助您透過 Amazon SageMaker Search 組織、追蹤和評估您的 ML 訓練試驗。最後，您可將 GitHUb、AWS CodeCommit 和任何自我託管的 Git 儲存庫與 Amazon SageMaker 筆記本執行個體連結，輕鬆且安全地協作，並且透過 Jupyter 筆記本達到版本控制。如需更多詳細資訊，請參閱 Step Functions 文件。
自動化的 ML 工作流程通常涉及編寫和維護程式碼，來定義工作流程邏輯、監控各個工作的完成，並且解決發生的任何錯誤。部署 ML 模型到生產環境前，需要先經過大型資料集的管理。每次變更模型時，都需要重新部署，並且必須由多個團隊確保模型如預期執行。這整個流程相當複雜，可能拖慢應用程式的交付時間。整合 AWS Step Functions 和 Amazon SageMaker 後，您可自動發佈各樣大型資料集到 Amazon S3 資料湖、訓練 ML 模型，並且將這些模型部署到生產中。AWS Step Functions 可平行排序和執行任務，並且自動重試任何失敗的任務。此整合包含內建的錯誤處理、參數傳遞和狀態管理。這可加速交付安全彈性的 ML 應用程式，同時減低您必須編寫和維護的程式碼量。
建立成功的 ML 模型需要持續試驗、嘗試新的演算法和超參數，觀察任何對效能和準確性的影響。這使得追蹤達成成功模型的獨特資料集、演算法和參數組合變得困難。現在，您可透過 Amazon SageMaker Search 組織、追蹤評估機器學習模型訓練試驗。SageMaker Search 協助您直接在 AWS 管理主控台並透過 Amazon SageMaker 的 AWS SDK，從可能的眾多模型訓練執行中，快速查找並評估最相關的模型訓練執行。Amazon SageMaker 目前提供的 13 個 AWS 區域中已供應試用版的搜尋功能。如需詳細資訊，請在參閱此處的部落格。
機器學習需要有進展，通常需要共享想法和任務，並且進行協作。傳統軟體部署的現存標準協作，一直是版本控制，這也在機器學習中扮演著重要的角色。現在您可將 GitHub、AWS CodeCommit 和任何自我託管的 Git 儲存庫與 Amazon SageMaker 筆記本執行個體連結，輕鬆且安全地協作，並且透過 Jupyter 筆記本達到版本控制。使用 Jupyter 筆記本的 Git 儲存庫，就能輕鬆共同編寫專案、追蹤程式碼變更，並且合併軟體開發工程和資料科學實作，以進行生產就緒的程式碼管理。您可輕鬆發掘、執行並共享機器學習和深度學習技術，這些都由 Jupyter 筆記本提供，並且託管於 GitHub。如需詳細資訊，請在參閱此處的部落格。
自動化的 ML 工作流程通常涉及編寫和維護程式碼，來定義工作流程邏輯、監控各個工作的完成，並且解決發生的任何錯誤。部署 ML 模型到生產環境前，需要先經過大型資料集的管理。每次變更模型時，都需要重新部署，並且必須由多個團隊確保模型如預期執行。這整個流程相當複雜，可能拖慢應用程式的交付時間。整合 AWS Step Functions 和 Amazon SageMaker 後，您可自動發佈各樣大型資料集到 Amazon S3 資料湖、訓練 ML 模型，並且將這些模型部署到生產中。AWS Step Functions 可平行排序和執行任務，並且自動重試任何失敗的任務。此整合包含內建的錯誤處理、參數傳遞和狀態管理。這可加速交付安全彈性的 ML 應用程式，同時減低您必須編寫和維護的程式碼量。
建立成功的 ML 模型需要持續試驗、嘗試新的演算法和超參數，觀察任何對效能和準確性的影響。這使得追蹤達成成功模型的獨特資料集、演算法和參數組合變得困難。現在，您可透過 Amazon SageMaker Search 組織、追蹤評估機器學習模型訓練試驗。SageMaker Search 協助您直接在 AWS 管理主控台並透過 Amazon SageMaker 的 AWS SDK，從可能的眾多模型訓練執行中，快速查找並評估最相關的模型訓練執行。Amazon SageMaker 目前提供的 13 個 AWS 區域中已供應試用版的搜尋功能。如需詳細資訊，請在參閱此處的部落格。
機器學習需要有進展，通常需要共享想法和任務，並且進行協作。傳統軟體部署的現存標準協作，一直是版本控制，這也在機器學習中扮演著重要的角色。現在您可將 GitHub、AWS CodeCommit 和任何自我託管的 Git 儲存庫與 Amazon SageMaker 筆記本執行個體連結，輕鬆且安全地協作，並且透過 Jupyter 筆記本達到版本控制。使用 Jupyter 筆記本的 Git 儲存庫，就能輕鬆共同編寫專案、追蹤程式碼變更，並且合併軟體開發工程和資料科學實作，以進行生產就緒的程式碼管理。您可輕鬆發掘、執行並共享機器學習和深度學習技術，這些都由 Jupyter 筆記本提供，並且託管於 GitHub。如需詳細資訊，請在參閱此處的部落格。
自動化的 ML 工作流程通常涉及編寫和維護程式碼，來定義工作流程邏輯、監控各個工作的完成，並且解決發生的任何錯誤。部署 ML 模型到生產環境前，需要先經過大型資料集的管理。每次變更模型時，都需要重新部署，並且必須由多個團隊確保模型如預期執行。這整個流程相當複雜，可能拖慢應用程式的交付時間。整合 AWS Step Functions 和 Amazon SageMaker 後，您可自動發佈各樣大型資料集到 Amazon S3 資料湖、訓練 ML 模型，並且將這些模型部署到生產中。AWS Step Functions 可平行排序和執行任務，並且自動重試任何失敗的任務。此整合包含內建的錯誤處理、參數傳遞和狀態管理。這可加速交付安全彈性的 ML 應用程式，同時減低您必須編寫和維護的程式碼量。
建立成功的 ML 模型需要持續試驗、嘗試新的演算法和超參數，觀察任何對效能和準確性的影響。這使得追蹤達成成功模型的獨特資料集、演算法和參數組合變得困難。現在，您可透過 Amazon SageMaker Search 組織、追蹤評估機器學習模型訓練試驗。SageMaker Search 協助您直接在 AWS 管理主控台並透過 Amazon SageMaker 的 AWS SDK，從可能的眾多模型訓練執行中，快速查找並評估最相關的模型訓練執行。Amazon SageMaker 目前提供的 13 個 AWS 區域中已供應試用版的搜尋功能。如需詳細資訊，請在參閱此處的部落格。
機器學習需要有進展，通常需要共享想法和任務，並且進行協作。傳統軟體部署的現存標準協作，一直是版本控制，這也在機器學習中扮演著重要的角色。現在您可將 GitHub、AWS CodeCommit 和任何自我託管的 Git 儲存庫與 Amazon SageMaker 筆記本執行個體連結，輕鬆且安全地協作，並且透過 Jupyter 筆記本達到版本控制。使用 Jupyter 筆記本的 Git 儲存庫，就能輕鬆共同編寫專案、追蹤程式碼變更，並且合併軟體開發工程和資料科學實作，以進行生產就緒的程式碼管理。您可輕鬆發掘、執行並共享機器學習和深度學習技術，這些都由 Jupyter 筆記本提供，並且託管於 GitHub。如需詳細資訊，請在參閱此處的部落格。