Amazon SageMaker

Machine Learning dành cho mọi nhà khoa học dữ liệu và nhà phát triển.

Amazon SageMaker mang đến cho mọi nhà phát triển và nhà khoa học dữ liệu khả năng xây dựng, đào tạo và triển khai các mô hình machine learning một cách nhanh chóng. Amazon SageMaker là dịch vụ được quản lý toàn phần bao gồm toàn bộ quy trình công việc của machine learning để gắn nhãn và chuẩn bị dữ liệu, chọn thuật toán, đào tạo mô hình, điều chỉnh và tối ưu hóa dịch vụ cho việc triển khai, đưa ra dự đoán và thực hiện hành động. Bạn sẽ đưa mô hình vào sản xuất nhanh hơn mà không cần tốn nhiều công sức và chi phí như trước đây.

XÂY DỰNG

Thu thập và chuẩn bị dữ liệu đào tạo

Gắn nhãn dữ liệu và sổ ghi chép dựng sẵn cho các vấn đề thường gặp

Chọn và tối ưu hóa thuật toán Machine Learning của bạn

Những thuật toán hiệu suất cao, tích hợp sẵn và hàng trăm thuật toán sẵn dùng trong AWS Marketplace

ĐÀO TẠO

Thiết lập và quản lý môi trường cho đào tạo

Đào tạo chỉ với một cú nhấp chuột trên cơ sở hạ tầng hiệu suất cao nhất

Đào tạo và điều chỉnh mô hình

Đào tạo một lần, chạy ở mọi nơi và tối ưu hóa mô hình

TRIỂN KHAI

Triển khai mô hình ở khâu sản xuất

Triển khai bằng một lần nhấp chuột

Mở rộng và quản lý môi trường sản xuất

Được quản lý toàn phần với khả năng tự động thay đổi quy mô với chi phí ít hơn 75%


Khách hàng nổi bật

State Farm
Intuit
Siemens
NFL
Expedia
Liberty Mutual
Formula 1
Coinbase
GE-Healthcare
Convoy
Korean Air
Change Healthcare

Thu thập và chuẩn bị dữ liệu đào tạo

Gắn nhãn dữ liệu đào tạo nhanh chóng

Amazon SageMaker Ground Truth giúp bạn xây dựng và quản lý bộ dữ liệu đào tạo độ chính xác cao một cách nhanh chóng. Ground Truth giúp dễ dàng truy cập vào trình gắn nhãn dành cho con người ở nơi công cộng và riêng tư, đồng thời cung cấp cho các trình gắn nhãn này các giao diện và quy trình công việc tích hợp sẵn cho nhiệm vụ gắn nhãn phổ biến. Ngoài ra, Ground Truth sẽ học từ các nhãn dành cho con người để tạo ra chất lượng cao, ghi chú tự động để giảm đáng kể chi phí gắn nhãn.

Tìm hiểu thêm »
70-percent-reduction
ground-truth

Sổ ghi chép được lưu trữ

Sổ ghi chép Jupyter được quản lý toàn phần mà bạn có thể dùng trong đám mây hoặc mang sổ ghi chép từ môi trường cục bộ của mình để khám phá và trực quan hóa dữ liệu cũng như phát triển mô hình. Bên cạnh việc xây dựng từ đầu, bạn còn có thể chọn nhiều loại sổ ghi chép dựng sẵn và sử dụng nguyên trạng hoặc sửa đổi cho phù hợp với nhu cầu cụ thể của bạn, giúp cho việc khám phá và trực quan hóa dữ liệu đào tạo trở nên nhanh chóng và dễ dàng hơn. Có sẵn các giải pháp cho nhiều vấn đề phổ biến như đề xuất và cá nhân hóa, phát hiện lừa đảo, dự báo, phân loại hình ảnh, dự đoán tỷ lệ rời đi, nhắm mục tiêu khách hàng, xử lý nhật ký, phát hiện sự bất thường và chuyển lời nói thành văn bản.

 

Tìm hiểu thêm »
jupyter-logo-white
hosted-notebooks

Chọn và tối ưu hóa thuật toán machine learning của bạn

Amazon SageMaker tự động định cấu hình và tối ưu hóa TensorFlow, Apache MXNet, PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras và Gluon. Các thuật toán machine learning thường dùng được dựng sẵn và điều chỉnh theo quy mô, tốc độ và độ chính xác với hơn 200 mô hình và thuật toán bổ sung được đào tạo trước trong AWS Marketplace. Bạn cũng có thể sử dụng bất kỳ thuật toán hoặc framework nào khác bằng cách đưa vào bộ chứa Docker.

10x-faster
logo-tesnorflow
logo-mxnet
logo-pytorch
logo-chainer
logo-keras
logo-gluon
logo-horovod

Thiết lập và quản lý môi trường đào tạo

Đào tạo với một nhấp chuột

Bắt đầu đào tạo mô hình của bạn với một cú nhấp chuột. Amazon SageMaker xử lý tất cả cơ sở hạ tầng cơ bản để mở rộng các bộ dữ liệu có kích thước petabyte một cách dễ dàng.

 

Machine learning nhanh nhất được phân phối trong đám mây.

Phiên bản Amazon EC2 P3 mang đến 8 GPU NVIDIA Tesla.

 

64 vCPU có thể mở rộng Intel Xeon Skylake với AVX-512

Thông lượng mạng 25 GBPS

Bộ nhớ 16 GB mỗi GPU

 

Nơi thích hợp nhất để chạy TensorFlow

Các đặc điểm tối ưu hóa trên TensorFlow của AWS mang lại hiệu quả quy mô cận tuyến tính trên hàng trăm GPU để vận hành ở quy mô đám mây trong thời gian ngắn hơn nhiều mà không phải chịu nhiều chi phí xử lý để đào tạo các mô hình chính xác, phức tạp hơn.

Dịch vụ lưu trữ và đào tạo được quản lý toàn phần

Quy mô cận tuyến tính trên hàng trăm GPU

Giảm 75% chi phí suy diễn

 

STOCK TENSORFLOW
65p
AWS-TENSORFLOW ĐƯỢC TỐI ƯU HÓA
90p

Hiệu quả mở rộng quy mô với 256 GPU

Điều chỉnh và tối ưu hóa mô hình của bạn

Tự động điều chỉnh mô hình của bạn

Điều chỉnh mô hình tự động dùng machine learning để nhanh chóng điều chỉnh mô hình của bạn chính xác nhất có thể. Khả năng này cho phép bạn bỏ qua quy trình thử và sai tẻ nhạt khi điều chỉnh các tham số của mô hình theo cách thủ công. Thay vào đó, qua nhiều lần thực hiện đào tạo, Điều chỉnh mô hình tự động sẽ thực hiện tối ưu hóa tham số tiền huấn luyện bằng cách khám phá các tính năng thú vị trong dữ liệu và học cách các tính năng đó tương tác để ảnh hưởng đến độ chính xác. Bạn tiết kiệm được nhiều ngày hay thậm chí nhiều tuần trong quá trình tối đa hóa chất lượng của mô hình bạn đã đào tạo.

Đào tạo một lần, chạy ở mọi nơi

Amazon SageMaker Neo cho phép bạn đào tạo mô hình một lần và triển khai mô hình đó ở mọi nơi. Bằng cách dùng machine learning, SageMaker Neo sẽ tự động tối ưu hóa mọi mô hình đã đào tạo được xây dựng với framework phổ biến cho nền tảng phần cứng bạn chỉ định mà không mất độ chính xác. Sau đó, bạn có thể triển khai mô hình của mình cho các phiên bản EC2 và phiên bản SageMaker hoặc bất kỳ thiết bị nào tại biên bao gồm thời gian chạy Neo, kể cả thiết bị AWS Greengrass.

Tìm hiểu thêm »

pull-2x
pull-1-10
img-neo

Triển khai và quản lý các mô hình trong sản xuất

Triển khai sang giai đoạn sản xuất chỉ với một cú nhấp chuột

Amazon SageMaker có thể giúp cho việc triển khai mô hình đã đào tạo của bạn vào khâu sản xuất trở nên dễ dàng với một cú nhấp chuột để bạn có thể bắt đầu tạo các dự đoán (quy trình này được gọi là suy luận) đối với dữ liệu trong thời gian thực hoặc theo lô. Mô hình của bạn chạy trên các cụm tự động thay đổi quy mô của phiên bản Amazon SageMaker được trải đều trên nhiều vùng sẵn sàng để đem lại cả hiệu suất và độ khả dụng cao. Amazon SageMaker cũng được tích hợp các năng lực kiểm thử A/B để giúp bạn kiểm thử mô hình và thử nghiệm với nhiều phiên bản khác nhau để đạt được kết quả tốt nhất.

Chạy mô hình tại biên

AWS Greengrass giúp việc triển khai mô hình đã đào tạo với Amazon SageMaker tại thiết bị ở biên để chạy suy diễn dễ dàng. Với AWS Greengrass, các thiết bị được kết nối có thể chạy các hàm AWS Lambda, duy trì đồng bộ dữ liệu thiết bị và giao tiếp với các thiết bị khác một cách bảo mật – ngay cả khi không có kết nối với Internet.

pull-75p

Giảm chi phí suy diễn deep learning tới 75% bằng cách dùng Amazon Elastic Inference để đính kèm tăng tốc GPU linh hoạt vào phiên bản Amazon SageMaker của bạn một cách dễ dàng. Đối với hầu hết các mô hình, một phiên bản GPU đầy đủ có kích thước quá lớn cho suy diễn. Ngoài ra, thật khó tối ưu hóa GPU, CPU và nhu cầu bộ nhớ của ứng dụng deep learning với một loại phiên bản duy nhất. Suy diễn linh hoạt cho phép bạn chọn loại phiên bản thích hợp nhất với toàn bộ CPU và nhu cầu bộ nhớ của ứng dụng, sau đó cấu hình riêng số lượng tăng tốc GPU thích hợp bắt buộc để suy diễn.

Tìm hiểu thêm »

img-TFLOPS

HỖ TRỢ

logo-tesnorflow
logo-mxnet

Thành công của khách hàng

Xây dựng mô hình tiếp theo bằng phương pháp học tăng cường được quản lý toàn phần

small-RL-icon

Sử dụng phương pháp học tăng cường (RL) để xây dựng các mô hình phức tạp có thể đạt được kết quả cụ thể mà không cần dữ liệu đào tạo được gắn nhãn sẵn. RL hữu ích cho các trường hợp trong đó không có câu trả lời “thích hợp”để học nhưng lại có kết quả tối ưu, chẳng hạn như học lái xe ô tô hoặc thực hiện giao dịch tài chính tích cực. Thay vì xem xét dữ liệu lịch sử, thuật toán RL học bằng cách thực hiện hành động trong trình mô phỏng, trong đó phần thưởng và hình phạt giúp hướng mô hình tới hành vi mong muốn.

Amazon SageMaker RL bao gồm các thuật toán RL tích hợp và được quản lý toàn phần. SageMaker hỗ trợ RL trên nhiều khung, bao gồm cả TensorFlow và MXNet, cũng như các khung được phát triển tùy chỉnh được thiết kế từ đầu cho việc học tăng cường, chẳng hạn như Intel Coach và Ray RLlib.

Amazon SageMaker RL cũng hỗ trợ nhiều môi trường RL, bao gồm cả toàn bộ môi trường vật lý 2D và 3D, các môi trường mô phỏng thương mại chẳng hạn như MATLAB và Simulink và mọi môi trường hỗ trợ giao diện OpenAI Gym nguồn mở, bao gồm cả các môi trường được phát triển tùy chỉnh. Ngoài ra, SageMaker RL sẽ cho phép bạn đào tạo bằng cách dùng môi trường 3D ảo được tích hợp trong Amazon Sumerian và AWS RoboMaker. Điều này có nghĩa là bạn có thể tạo mô hình mọi thứ từ hệ thống quảng cáo và tài chính tới mô hình kiểm soát công nghiệp, robot và các phương tiện hoạt động độc lập.

Mở và linh hoạt

Machine learning theo cách của bạn

Công nghệ Machine Learning phát triển rất nhanh và bạn nên luôn linh hoạt khi truy cập vào một nhiều khung và công cụ khác nhau. Với Amazon SageMaker, bạn có thể sử dụng bộ chứa tích hợp cho mọi framework phổ biến hoặc dùng framework bạn yêu thích. Dù bằng cách nào, thì Amazon SageMaker sẽ quản lý hoàn toàn cơ sở hạ tầng cơ bản cần để xây dựng, đào tạo và triển khai các mô hình.

Hiệu suất biên tốt hơn

Mọi nhà phát triển cũng có thể sử dụng được các tính năng của SageMaker Neo thông qua dự án Neo nguồn mở. Chúng tôi tin rằng việc làm cho mọi người có thể chạy các mô hình ở mọi nơi là một bước cần thiết để machine learning phát huy hết tiềm năng. Bằng việc đóng góp vào nỗ lực nguồn mở, các nhà cung cấp phần cứng có thể cải thiện Neo nhờ các tối ưu hóa mới và cải tiến toàn bộ hệ sinh thái phần cứng cho machine learning.

SageMaker phù hợp với quy trình công việc của bạn

Về chi tiết, Amazon SageMaker bao gồm nhiều thành phần riêng biệt: Ground Truth, Máy tính xách tay, Đào tạo, Neo và Lưu trữ. Các thành phần này được thiết kế để hoạt động cùng nhau nhằm cung cấp dịch vụ machine learning cuối đến cuối. Tuy nhiên, các thành phần này cũng có thể được dùng độc lập để hỗ trợ quy trình công việc của machine learning hiện có hoặc nhằm hỗ trợ các mô hình chạy trong trung tâm dữ liệu hoặc tại biên.

Học tập và tăng tốc

ImgHead_Silverstone_TEST_Car_3

AWS DeepRacer

Một xe đua tự động có tỷ lệ 1/18 được trang bị đầy đủ mọi thứ bạn cần để tìm hiểu về học tăng cường qua lái xe tự động.

Tìm hiểu thêm »

AWS DeepLens

Học thị giác máy tính thông qua các dự án, hướng dẫn và thế giới thực, khám phá thực tế với máy quay video hỗ trợ mô hình Deep Learning đầu tiên dành cho nhà phát triển.

Tìm hiểu thêm »

Đào tạo và Chứng nhận của AWS Machine Learning

Đại học AWS Machine Learning. Các khóa học theo cấu trúc cho Machine Learning dựa trên tài liệu tương tự được dùng để đào tạo các nhà phát triển Amazon thông qua sự kết hợp giữa kiến thức nền tảng và ứng dụng thế giới thực.

Tìm hiểu thêm »

Amazon ML Solutions Lab

Amazon ML Solutions Lab ghép nhóm của bạn với các chuyên gia machine learning của Amazon. Dịch vụ này kết hợp các hội thảo giáo dục thực hành với các buổi tìm kiếm ý tưởng và dịch vụ tư vấn chuyên nghiệp để giúp bạn ‘lội ngược dòng để tìm hiểu’ từ những thách thức trong kinh doanh, sau đó từng bước thực hiện quá trình đưa một mô hình vào sản xuất. Sau đó, bạn sẽ có thể áp dụng những kiến thức đã học và sử dụng kiến thức đó ở mọi nơi trong tổ chức của mình để theo đuổi các cơ hội bổ sung.

Tìm hiểu thêm »