Amazon SageMaker
適用於每個開發人員和資料科學家的機器學習
Amazon SageMaker 讓每個開發人員和資料科學家都能夠快速建立、訓練及部署機器學習模型。Amazon SageMaker 是一項全受管服務，其中涵蓋整個機器學習工作流程：標記和準備資料、選擇演算法、訓練演算法、針對開發加以調整及最佳化、進行預測，以及採取行動。以更輕鬆的方式和更低的成本，讓您的模型更快投入生產。
建立
收集和準備訓練資料
資料標記以及針對常見問題預先建置的筆記本
選擇並最佳化機器學習演算法
模型和演算法 Marketplace 以及內建的高效能演算法
訓練
設定及管理環境以供訓練
最高效能基礎設施的一鍵式訓練
訓練及調整模型
訓練一次，隨處執行及模型最佳化
部署
在生產環境中部署模型
一鍵式部署
調整及管理生產環境
自動調整規模小於 75% 的全受管環境
特色客戶案例
收集和準備訓練資料
快速標記訓練資料
Amazon SageMaker Ground Truth 可協助您快速建立及管理高精準的訓練資料集。Ground Truth 會提供容易存取的公有和私有人類標記器，並針對常見的標記任務提供預先建置的工作流程和界面。此外，Ground Truth 會從人類標記學習，以進行高品質的自動註釋，進而大幅降低標記成本。
進一步了解 »
選擇並最佳化機器學習演算法
Amazon SageMaker 會自動設定及最佳化 TensorFlow、Apache MXNet、PyTorch、Chainer、Scikit-learn、SparkML、Horovod、Keras 和 Gluon。常用的機器學習演算法會針對規模、速度和準確度進行內建和調整，而在 AWS Marketplace 中可取得超過一百個額外預先訓練的模型和演算法。您也可以在 Docker 容器中內建任何其他演算法或架構。
設定及管理訓練環境
單鍵式訓練
按一下就能開始訓練您的模型。Amazon SageMaker 能處理所有底層的基礎設施，以便輕鬆地擴充為 PB 大小的資料集。
執行 TensorFlow 的最佳位置
AWS 的 TensorFlow 最佳化功能可提供高達數百個 GPU 的近線性擴展效率，這些 CPU 會在雲端規模運作，不會產生大量處理間接成本，進而以更少的時間訓練更準確、更精細的模型。
使用 256 個 GPU 擴展效率
調整及最佳化您的模型
自動調整您的模型
訓練一次，隨處執行
Amazon SageMaker Neo 讓您訓練模型一次，即可將它部署在任何地方。利用機器學習，SageMaker Neo 可針對您指定的硬體平台，自動最佳化以熱門架構建置的任何訓練模型，而不會喪失準確度。您可以接著將模型部署至 EC2 執行個體和 SageMaker 執行個體，或邊緣上任何包含 Neo 執行時間的裝置，包括 AWS Greengrass 裝置。
在生產環境中部署及管理模型
一鍵式部署至生產
Amazon SageMaker 讓您只要按一下就能在生產環境中輕鬆部署訓練模型，以便您為即時或批次資料產生預測 (此程序稱為推論)。您的模型會在橫跨多個可用區域的 Amazon SageMaker 執行個體的自動調整規模叢集上執行，以同時提供高效能及高可用性。Amazon SageMaker 也內建 A/B 測試功能，可協助您測試模型，使用不同版本進行實驗，以獲得最好的結果。
在邊緣執行模型
AWS Greengrass 可讓您將使用 Amazon SageMaker 訓練的模型，輕鬆地部署到邊緣裝置以執行推論。使用 AWS Greengrass 時，連線裝置可執行 AWS Lambda 函數、讓裝置資料保持同步，即使沒有連接到網際網路也可以與其他裝置安全地通訊。
使用 Amazon Elastic Inference 最多可降低 75% 的深度學習推論成本，進而輕鬆地將彈性的 GPU 加速連接至 Amazon SageMaker 執行個體。在大部分的模型中，完整 GPU 執行個體對於推論而言過大。此外，難以使用單一執行個體類型，將深度學習應用程式的 GPU、CPU 和記憶體需求最佳化。Elastic Inference 可讓您選擇最適合應用程式的整體 CPU 和記憶體需求的執行個體類型，然後分開設定推論所需的適量 CPU 加速。
支援
客戶成功案例
「GE Healthcare 讓提供者能夠交付更好的成果，進而促進醫療保健產業轉型。我們在 Amazon SageMaker 訓練電腦視覺模型，然後部署於我們的 MRI 和 X 光機器上。運用強化學習技術，不僅讓我們能夠縮減訓練模型的大小，同時還能使網路壓縮與模型準確度達到適當平衡。Amazon SageMaker RL 藉由移除執行 RL 工作負載的複雜度，讓我們能夠在不到四週的時間內將想法付諸實現。
「Tinder 每次的撥動都是一個每分鐘管理數百萬個請求的系統，在 190 多個國家每天有數十億次的撥動。Amazon SageMaker 簡化了機器學習程序，協助我們的開發團隊打造可建立新連接的預測模型，沒有它，這一切都不可能實現。」
「我們使用 Amazon SageMaker 在平台上建立和部署演算法，以大規模加速人工智慧計劃的推動。我們建立全新的大規模機器學習和 AI 演算法，並將它們部署在這個平台上，以解決複雜問題並讓客戶的事業更加成功。」
「Amazon SageMaker RL 讓分散式強化學習變簡單、可擴展且經濟實惠。我們針對酵素探索和最佳化開發最新穎的工具，藉此設計蛋白質，因而讓化合物製造變得更便宜且更環保。透過 Amazon SageMaker RL，我們可以使用不同的叢集搭配不同的執行個體類型來訓練及執行模擬，這不僅讓我們的開發過程提升效率，並且大幅降低了執行 RL 工作負載的成本。利用這些功能，我們將能夠擴大多代理程式強化學習的可能性。」
「在 Hotels.com，我們致力於快速採用最新技術，並隨時保持創新。Amazon SageMaker 的分散式培訓、優化演算法和內建超參數功能，可讓我的團隊透過龐大的資料集快速建立更準確的模型，並大幅縮減將模型移至生產的時間。只要使用 API 呼叫就能輕鬆搞定。Amazon SageMaker 可大幅降低機器學習的複雜性，讓我們快速為客戶提供更好的使用體驗。」
Hotels.com 和 Expedia Affiliate Network 副總裁暨資料科學長 Matt Frye
使用全受管強化學習建置後續項目
使用強化學習 (RL) 建立精密的模型，不須預先標記的訓練資料，即可達到特定成果。在沒有「正確」答案可供學習的情況中，RL 很實用，但是在學習駕駛汽車或從事積極金融交易等情況的結果最佳。RL 演算法不會藉由查看歷史資料來學習，而是在賞罰有助於指引模型朝向所要行為的模擬器中採取動作來學習。
Amazon SageMaker RL 包含內建、全受管的 RL 演算法。SageMaker 在多個架構 (包括 TensorFlow 和 MXNet) 中，以及針對強化學習從頭開始設計的自訂開發架構 (例如 Intel Coach 和 Ray RLlib) 中支援 RL。
Amazon SageMaker RL 也支援多個 RL 環境，包括完整 2D 和 3D 物理環境、商業模擬環境 (包括 MATLAB 和 Simulink)，以及任何可支援開源 OpenAI Gym 界面的環境 (包括自訂開發環境)。此外，SageMaker RL 還允許您使用在 Amazon Sumerian 和 AWS RoboMaker 中建立的虛擬 3D 環境進行訓練。這表示您可以為每件事建立模型，從廣告和財務系統，以至工業控制、機器人研究及自動駕駛汽車。
開放且彈性
照您的方式進行機器學習
機器學習技術瞬息萬變，您應保有彈性來存取各種架構與工具。透過 Amazon SageMaker，您可以使用任何熱門架構的內建容器，或自備慣用的架構。採用任何一種方式，Amazon SageMaker 都能完全管理建立、訓練及部署模型所需的底層基礎設施。
邊緣效能更好
SageMaker Neo 的功能也可透過開源 Neo 專案，提供給每個開發人員使用。我們認為讓每個人能夠隨時隨地執行模型，是讓機器學習了解其全部潛能的必要步驟。硬體廠商可藉由投入開源技術，以新的最佳化功能改善 Neo，並促進機器學習的整體硬體生態系統。
SageMaker 適合您的工作流程
其實，Amazon SageMaker 是由個別的元件所組成：Ground Truth、Notebooks、Training、Neo 和 Hosting。這些元件設計成一起運作，以提供端對端機器學習服務。不過，它們也可以獨立使用，以補充現有的機器學習工作流程，或支援在資料中心或在邊緣執行的模型。
學習與加速
AWS DeepRacer
完全自動駕駛、1/18 比例的跑車，包裝內含透過自動駕駛了解強化學習所需的一切資料。
AWS DeepLens
運用全球首創適用於開發人員且具備深度學習功能的攝影機，透過專案、教學課程及真實世界的實作探索來學習電腦視覺。
