数据、分析与人工智能的集成中心，提供一体式体验

于 2025-03-31 11:01:35 发布
阅读量48 收藏
点赞数
文章标签： 人工智能
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4NjU5NDUxNg==&mid=2247594960&idx=2&sn=01bc77b80d30f8aefe843d20e59f99a0&chksm=ce0e0b6dc8cbb0d6b2a097faa0e4d07951624282d5c91d48c3f795501aa8b91b80775e0ce4e2&scene=126&sessionid=0
版权

亚马逊云科技推出新一代Amazon SageMaker，这是一项集数据、分析和人工智能于一体的统一服务。全新的Amazon SageMaker几乎涵盖数据探索、准备和集成、大数据处理、快速SQL分析、机器学习模型开发与训练以及生成式AI应用开发所需的所有组件。

Amazon SageMaker现已更名为Amazon SageMaker AI，其集成在新一代Amazon SageMaker中，同时也可作为一项独立服务，以供专注于大规模构建、训练和部署人工智能与机器学习模型的用户使用。

新一代Amazon SageMaker功能亮点

新一代Amazon SageMaker核心是Amazon SageMaker Unified Studio（预览版），这是一个集成的数据和AI开发环境，集成了Amazon Athena、Amazon EMR、Amazon Glue、Amazon Redshift、Amazon MWAA以及现有Amazon SageMaker Studio中提供的各种独立 “工作室”、查询编辑器和可视化工具的功能和工具。并且还集成了Amazon Bedrock Studio的更新版本——Amazon Bedrock IDE（预览版），用于构建和定制生成式AI应用程序。此外，Amazon Q还可在Amazon SageMaker的整个工作流程中提供AI辅助。

其关键功能如下：

  • Amazon SageMaker Unified Studio（预览版）：在单一环境中，使用所有数据和工具进行分析和AI应用构建。

  • Amazon SageMaker Lakehouse：通过Amazon SageMaker Lakehouse，访问Amazon S3数据湖、Amazon Redshift数据仓库以及第三方和联合数据来源中的统一数据。

  • 数据和AI治理：利用基于Amazon DataZone构建的Amazon SageMaker Catalog，安全地发现、治理和协作处理数据和AI。

  • 数据处理：使用Amazon Athena、Amazon EMR和Amazon Glue上的开源框架，分析、准备和集成用于分析和AI构建的数据。

  • 模型开发：借助Amazon SageMaker AI的完全托管基础设施、工具和工作流，构建、训练和部署机器学习模型和基础模型（FM）。

  • 生成式AI应用开发：利用Amazon Bedrock构建和扩展生成式AI应用程序。

  • SQL分析：利用极具性价比的SQL引擎Amazon Redshift，获取见解。

本文将带您快速了解全新的Amazon SageMaker Unified Studio体验，以及如何进行数据处理、模型开发和生成式AI应用开发。

使用Amazon SageMaker

Unified Studio（预览版）

通过Amazon SageMaker Unified Studio，您可以在单一受管理环境中发现数据并利用其开展工作，使用熟悉的亚马逊云科技工具完成端到端的开发工作流程，包括数据分析、数据处理、模型训练和生成式AI应用构建。

集成的SQL编辑器允许您查询多个数据源的数据，可视化的提取、转换和加载（ETL）工具则简化了数据集成和转换工作流的创建。新的统一Jupyter笔记本支持在不同计算服务和集群之间无缝工作。借助新的内置数据目录功能，您可以在整个组织内查找、访问和查询数据和人工智能资产。Amazon Q的集成，则简化了开发生命周期中的各项任务。

下文将详细介绍各项功能。

数据处理

Amazon SageMaker与Amazon SageMaker Lakehouse集成，为您在分析、准备、集成和协调数据方面提供统一体验，您可以使用提供的连接选项，集成和处理各种来源的数据。

首先，在Amazon SageMaker Unified Studio中创建一个项目，选择SQL分析或数据分析和人工智能—机器学习模型开发项目配置文件，该项目是与同事协作、共享数据以及使用工具安全处理数据的场所。Amazon SageMaker中的项目配置文件定义了创建新项目时预置的资源和工具集。在项目中，选择左侧菜单中的“数据”，然后开始添加数据源。

通过内置的SQL查询编辑器，您可直接在Amazon SageMaker Unified Studio中查询存储在数据湖、数据仓库、数据库和应用程序中的数据。在Amazon SageMaker Unified Studio的顶部菜单中，选择“构建”并选择“查询编辑器”，即可开始使用。此外，您也可以尝试借助Amazon Q使用自然语言创建SQL查询。

您还可以探索内置的可视化ETL工具，其支持您使用可视化拖放界面创建数据集成和转换工作流。在顶部菜单中，选择“构建”，然后选择“可视化ETL流程”，即可开始操作。

如果已启用Amazon Q，您还可以使用生成式AI来编写流程。Amazon Glue Studio Visual ETL具有全面的数据连接器、预置转换以及调度、监控和数据预览等功能，可简化数据工作流。

模型开发

Amazon SageMaker Unified Studio集成了Amazon SageMaker AI的功能，后者为整个机器学习生命周期提供基础架构、工具和工作流程。在顶部菜单中选择“构建”，即可访问用于数据准备、模型训练、实验跟踪、管道创建和编排的工具。您还可以使用这些工具进行模型部署和推理、机器学习操作（MLOps）实施、模型监控和评估以及治理和合规性操作。

要开始模型开发，请在Amazon SageMaker Unified Studio中，使用数据分析和人工智能—机器学习模型开发项目配置文件创建一个项目，并探索新的统一Jupyter笔记本。在顶部菜单中选择“构建”，然后选择“JupyterLab”。您可以使用新的统一Jupyter笔记本在不同的计算服务和集群间无缝工作，Jupyter笔记本支持您无需离开工作区，即可在不同环境间切换，从而简化模型开发流程。

在模型开发过程中，您还可以使用Amazon Q Developer辅助完成代码生成、调试和优化等任务。

生成式AI应用开发

使用新的Amazon Bedrock IDE，在Amazon SageMaker Unified Studio中开发生成式AI应用程序。Amazon Bedrock IDE包含一系列工具，您可使用基础模型（FM）和高级功能（如Amazon Bedrock知识库、Amazon Bedrock Guardrails、Amazon Bedrock Agents和Amazon Bedrock Flows），来构建和定制生成式AI应用程序，从而创建符合您的需求和负责任的AI策略的个性化解决方案。

在Amazon SageMaker Unified Studio顶部菜单中选择“发现”，以浏览Amazon Bedrock模型或在模型playgrounds中进行试验。

使用生成式AI应用程序开发配置文件创建一个项目，开始构建生成式AI应用程序。在Amazon SageMaker Unified Studio顶部菜单中选择“构建”，然后选择“聊天Agent”。

借用Amazon Bedrock IDE，您只需几次点击，即可从专有数据源构建聊天Agent以及创建知识库，从而实现检索增强生成（RAG）。您可以添加防护机制以促进安全的AI交互，并创建函数以与任何系统集成。借助内置的模型评估功能，您可以在与团队协作的同时，测试和优化AI应用程序的性能。设计由确定性生成式AI驱动的工作流，准备就绪后，在域内共享您的应用程序或提示，或将其导出以部署至任何地方，所有这些操作都在您对项目和域资产保持控制的情况下进行。

有关Amazon SageMaker所有功能的详细说明，请参阅《Amazon SageMaker Unified Studio用户指南》。

《Amazon SageMaker Unified Studio用户指南》

https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html

开始使用

要开始使用Amazon SageMaker Unified Studio，管理员需要完成几个设置步骤，包括设置Amazon IAM Identity Center、配置必要的虚拟私有云（VPC）和Amazon IAM角色、创建Amazon SageMaker域以及启用Amazon Q Developer Pro。

除了使用Amazon IAM Identity Center外，您还可以通过Amazon IAM联合身份验证配置SAML进行用户管理。

Amazon IAM Identity Center:

https://aws.amazon.com/iam/identity-center/

Amazon IAM:

https://aws.amazon.com/iam/

环境配置完成后，用户可通过提供的Amazon SageMaker Unified Studio域URL以单点登录方式登录，您可以创建项目与团队成员协作，并根据不同用例从预配置的项目配置文件中进行选择。每个项目都连接到Git存储库进行版本控制，并包含一个统一的Jupyter笔记本示例，帮助您快速上手使用。

有关详细设置说明，请参阅《Amazon SageMaker Unified Studio管理员指南》。

《Amazon SageMaker Unified Studio管理员指南》

https://docs.aws.amazon.com/sagemaker-unified-studio/latest/adminguide/what-is-service.html

现已可用

新一代Amazon SageMaker现已在美国东部（北弗吉尼亚州、俄亥俄州）、美国西部（俄勒冈州）、亚太地区（东京）和欧洲（爱尔兰）亚马逊云科技区域可用，Amazon SageMaker Unified Studio和Amazon Bedrock IDE目前在这些亚马逊云科技区域提供预览版。有关未来更新信息，请参阅完整区域列表。

有关定价信息，请参阅Amazon SageMaker定价页面和Amazon Bedrock定价页面。更多详细信息，请参阅Amazon SageMaker、Amazon SageMaker Unified Studio和Amazon Bedrock IDE产品页面。

若要体验Amazon Bedrock IDE的高级功能，请按照《管理员指南》中的说明创建新的Amazon SageMaker域。

您可在控制台中，立即体验新一代Amazon SageMaker。

完整区域列表：

https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/

Amazon SageMaker定价：

https://aws.amazon.com/sagemaker/pricing/

Amazon Bedrock定价：

https://aws.amazon.com/bedrock/pricing/

Amazon SageMaker：

https://aws.amazon.com/sagemaker/

Amazon SageMaker Unified Studio：

https://aws.amazon.com/sagemaker/unified-studio

Amazon Bedrock IDE：

https://aws.amazon.com/bedrock/ide

《管理员指南》

https://docs.aws.amazon.com/sagemaker-unified-studio/latest/adminguide/what-is-service.html

控制台：

https://console.aws.amazon.com/datazone

本篇作者

Antje Barth

亚马逊云科技生成式AI首席开发者布道师

星标不迷路，开发更极速！

关注后记得星标「亚马逊云开发者」

听说，点完下面4个按钮

就不会碰到bug了！

点击阅读原文查看博客！获得更详细内容！

博客
企业DevOps探讨：“谁构建、谁运行”原则的理论基础
12-30 9436
“谁构建，谁运行” --沃纳·沃格尔这样的场景大家想必不会陌生：我们正与家人共度美好时光，突然刺耳的电话铃声嗡嗡响起，我们的注意力也为之吸引。听筒中的尖叫声告知，我们的应用程序——也就是那些定期受到内存泄漏侵扰、但重启之后又能恢复正常的小冤家们——现在终于彻底起义了，服务器资源在几分钟之内就被其彻底榨干。目前该应用已经无法正常起效，而运维团队除了尝试重启与回滚之外无法可想——而最新
博客
企业DevOps：实施过程中需要关注的各项要点
12-29 8062
作者：亚马逊云科技企业市场战略总监Stephen Orban“经验并非凭空创造，而是依靠点滴积累所实现” ---阿尔贝·加缪在此次的企业DevOps探索之旅系列文章当中，我将带大家一同探讨企业在具备一定DevOps经验之后又该如何处理下一步可能面临的状况。当然，这些只是我个人在接触自动化、面向客户服务之IT体系以及“谁构建、谁运行”方面事务的同时积累下的一些心得体
博客
将DevOps纳入企业环境引发的思考
10-13 6330
作者：亚马逊云科技企业市场战略总监Stephen Orban“发展是一种以渐进式改善为载体的持续性行为”——英德拉瓦蒂虽然DevOps可以算是相对新鲜的概念，不过在我看来、其本质思路很早之前就已经出现。从这个角度看，目前很多企业已经广泛接纳这一概念并将其作为文化性产物看待，具体而言就是将大量原本孤立的团队融合起来，从而实现速度更快、频率更高且更为可靠的工作成果。我个人非常幸运
博客
利用Amazon Machine Learning与Amazon Redshift建立二进制分类模型
09-07 8247
日常生活中的大部分决策都以二进制形式存在，具体来说就是这类问题能够以是或者否来回答。而在商业活动中，能够以二进制方式回答的问题也有很多。举例来说：“这种情况是否属于交易欺诈？”，“这位客户是否会购买该产品？”或者“这位用户是否存在流失风险？”等等。在机器学习机制中，我们将此称为二进制分类问题。很多商业决策都能够通过准确预测二进制问题的答案来得到强化。Amazon Michine Learning（
博客
利用Amazon Mobile Analytics与R深入探究移动应用的使用模式
08-31 6788
作者：Sandeep Atluri 亚马逊数据科学家要真正鼓励用户使用我们的移动应用程序，最重要的前提就是深入了解用户使用应用程序时的行为模式，而后据此作出体验优化。不过通过应用程序事件数据来找出有意义的模式往往极具挑战性，而标准KPI所提供的诸如月度活跃用户（简称MAU）以及每日活跃用户（简称DAU）并不足以勾勒出完整的图景。举例来说，所发布应用在过去三十天中的用户开启次数能够帮
博客
亚马逊云科技使用心得：当初我曾错过的那些宝贵经验
07-08 2万+
在今天的文章中，我整理出了大量当初曾经错过、而至今仍将我追悔莫及的亚马逊云科技（Amazon Web Services）使用心得。在几年来的实践当中，我通过在亚马逊云科技之上新手构建及部署各类应用程序而积累到了这些经验。虽然内容有些杂乱，但相信仍然能给各位带来一点启示。从物理服务器向“云环境”转移的过程不仅仅是一项技术任务，同时也意味着我们的思维方式需要作出针对性的转变。总体而言，在物理环境下我们
博客
大胆试错、持续推进，拓展 GenAI 在客户服务领域的新场景
04-28 558
提升客户服务效率与质量是企业永恒的追求目标。2024 年初，我们与客户（华宝新能）的产品、IT、客服团队共同探讨如何借助新兴的生成式 AI（Generative AI, GenAI）技术赋能客服团队，期望通过自动化总结和提炼现有知识库内容，高效应对产品咨询、故障处理等售前售后需求，提供智能响应。经过系统集成及知识库数据准备，一阶段方案于 2024 年中期顺利上线，客服团队工作效率显著提升。相关实施细节已在。
博客
利用MCP Servers，玩转Amazon S3元数据表数据洞察
04-25 42
这就是Amazon S3元数据和Amazon S3元数据表发挥作用的地方，这些强大的工具允许组织有效地组织、跟踪和查询大规模的对象元数据。提供了一种标准化的方式，将您的设备连接到各种外设和配件，MCP提供了一种标准化的方式，将AI模型连接到不同的数据源和工具。通过利用预构建的集成、享受提供商切换的灵活性，以及遵循数据保护的最佳实践，您可以更轻松地实现您的AI项目目标。您还可以去添加新的工具，例如允许应用程序根据自定义的元数据条件发现Amazon S3内容。这些表提供了一种强大而灵活的方式来查询和分析您的。
博客
基于 Amazon Nova 和 TEN 框架的实时音视频交互解决方案
04-25 753
随着人工智能技术的飞速发展，实时音视频交互应用逐渐成为市场热点。从智能语音助手到多模态教育平台，企业对高效、低延时且可扩展的解决方案需求日益增加。借助 Amazon Nova 系列模型、Amazon Transcribe 和 Amazon Polly 等亚马逊云科技服务，您可以轻松构建功能强大的实时音视频交互系统。本文将深入介绍这些服务如何协同工作，帮助开发者打造卓越的用户体验。在客户需求调研中，我们发现许多企业希望构建一个基于 AI 的实时音视频助手，以实现多模态的交互体验。
博客
Amazon Q 从入门到精通 – 集成企业代码库
04-24 981
此外，Amazon Q Developer 通过提供使用 Amazon Key Management Service（Amazon KMS）中客户管理的密钥加密您的定制数据的选项，帮助确保您代码的安全。根级别的任何文件都将被忽略。在 IDE 中使用创建好的 User 来登录 Amazon Q 之后，正常情况下，AmazonQ 的面板可以用快捷键来打开和关闭，对于苹果电脑，按下 Shift + Command + P 快捷键，对于 Windows 电脑，按下 Shift + Ctrl + P 快捷键。
博客
使用Amazon Q Developer构建企业自动化代码审核流程
04-24 19
传统的代码审核通常依赖于团队成员之间的相互审查，这不仅耗时，而且可能受到审核者经验和专业知识的限制。其主要功能包括代码生成、调试、故障排除和安全漏洞扫描，提供一站式代码服务，本文主要介绍其代码审核的能力。Amazon Q会检查集成到您的代码中的第三方组件、库、框架和依赖关系，确保第三方代码是安全和最新的。，该系统能够在开发者提交代码或创建合并请求时，自动分析代码变更，提供全面的审核意见，帮助团队保持高质量的代码标准。会自动审查您正在编写的文件，一旦在您的代码中检测到代码问题，就会立即生成代码问题。
博客
用Amazon Q Developer CLI构建平台跳跃游戏，全程无需编程！
04-24 22
提示词中文大意：参考项目https://github.com/clear-code-projects/PirateMaker中的代码方法和实现，用Python设计一款完整的平台游戏。分析一款公开的游戏项目作为基础知识参考，它生成了一款较完整的经典平台跳跃游戏架构，其中包含了复杂的关卡管理、物理系统和敌人系统等。进行修改的方法，对于设计一款真正全面的平台跳跃游戏来说是不够的。您可点击观看下方视频，体验这款完全由AI生成的游戏开发过程的沉浸式演示（体现了氛围编程的方法），供各位开发者参考。
博客
在Amazon Graviton上运行大语言模型，实测CPU推理性能
04-23 37
较小的8B模型由于参数体积更小，对计算资源的利用率更高，因此对实例硬件配置的差异会表现出更明显的性能差异。以模型DeepSeek-R1-Distill-Llama-8B-Q4_0.gguf为例，在确定运行4bit量化的8B参数模型所需的虚拟机vCPU和内存配置时，需综合考虑模型存储、计算需求和系统开销。随着vCPU核心数从8核增加到16核，再到24核，pp512的吞吐量也呈现出近乎线性的增长趋势，说明对于这类计算密集型的工作负载，增加更多的计算资源能够有效提升系统的。
博客
Werner Vogels：简单易用就是Amazon S3的核心优势
04-23 17
不过，在解决这一规模的问题时，还有一些更微妙的方面需要考虑：我们需要仔细评估桶名称数量增加带来的影响、程序化创建桶对应用设计的安全性影响，甚至涉及性能和用户界面（UI）的优化。但我当时并没有意识到，我们的工程团队会花这么多时间与Amazon S3客户的工程师交流，了解他们如何使用Amazon S3，而这些外部开发者的反馈对我们的功能优先级影响之大，远超我的想象。但现在，我想对“简单”做一点自我反思：在我提到的几乎所有例子中，我们对简单性的改进，实际上都是针对最初的功能，而这些功能在推出时并不够简单。
博客
Amazon Q 从入门到精通 – 加速构建亚马逊云基础设施
04-23 754
当反复交谈，得到了最终满足需要的提示词，即可在 Chat 窗口里输入/dev 并回车，使 Amazon Q 进入智能体模式，然后将上一个步骤的最终提示词输入后并回车，Amazon Q 将真正进行编码工作，在指定的目录里，创建出建议的 CDK 代码，如下图所示。缺点：CDK 代码本身有较大的学习成本，当开发人员具体为不同资源进行编码的时候，熟悉每一个资源的编码细节是必须的工作，为此，在实际编码的过程中，开发者不得不经常查阅开发手册，亦是十分耗时费力。
博客
使用Amazon Bedrock，运行MCP桌面客户端
04-22 41
us.anthropic.claude-3-7-sonnet-20250219-v1:0——适用于Claude Sonnet 3.7。该设置与Claude桌面设置不同的是，您只需执行相应的命令即可。作为一位生成式AI专家，Ninad拥有丰富的人工智能与机器学习经历，曾与咨询公司、初创企业以及不同行业领域的企业客户合作。MCP桌面客户端提供了基于GUI的接口，使用户无需编写代码即可在本地设置MCP工具或第三方工具。然后在“命令”一栏中，使用刚才提取的命令，点击“添加”后，第一个MCP设置完成。
博客
Amazon GameLift高阶使用技巧：部署游戏引擎专用服务器
04-22 46
这种容器化部署方案不仅简化了游戏服务器的管理流程，还提供了更好的资源利用率和扩展能力，使开发团队能够专注于提升玩家体验。同时，借助Amazon GameLift提供的会话管理、自动伸缩和监控告警等功能，开发团队可以更轻松地保障游戏服务的稳定性和玩家体验。容器组用于运行游戏服务器应用程序，是托管游戏会话和玩家的必需组件。是一个配置蓝图，用于定义如何将容器化游戏服务器部署到容器机群中，包含游戏服务器容器和支持容器的配置信息。在快速发展的游戏行业中，游戏服务器的部署和维护一直是开发团队面临的重要挑战。
博客
大语言模型助力 Support Case 分析，提升云服务效率
04-22 1060
利用大语言模型整理技术工单（Support Case）具有显著价值，可通过分析大量案例识别常见问题、建立知识库、制定培训计划、支持决策及预测需求。方案采用 EventBridge 定时触发 Lambda 函数，通过 Support API 整理工单数据，将其存储至 S3，利用 SageMaker 或 Bedrock 进行分析，分类问题类型并生成总结报告。分析结果可在 QuickSight 上展示，支持企业优化资源分配和服务策略。该解决方案架构清晰、成本低廉，为企业提供高效的技术支持工单管理与分析能力。
博客
基于亚马逊云科技 Amazon Bedrock Tool Use 实现 Generative UI
04-21 975
因此，一个更优的方案是利用 LLM 的 Tool Use（工具调用）能力，通过预定义的函数接口来生成标准化的 Web 前端组件。数据查询：将自然语言转换为结构化查询语言（比如 GraphQL 或自定义查询 DSL），尤其是 text2sql 场景，LLM 生成的 SQL 直接运行查询并不可靠，而且还需要做额外的提示词工程来规避不同计算引擎 SQL 语法兼容性的问题；虽然 LLM 具备生成 HTML/CSS 代码的能力，但这种方式往往缺乏标准化和可靠性，生成的代码质量参差不齐，难以维护和复用。
博客
Amazon GameLift高阶使用技巧：FlexMatch优化游戏匹配
04-21 44
在standalone模式中，由于不会真实的拉起服务器，因此没有GameSessionInfo相关信息，需要等待Amazon SNS的MatchMakingSucceeded的事件，比如以下示例。关于acceptance timeout seconds设置的建议，考虑到接受event的速度，响应调用API耗时，偶尔的网络抖动等原因，可以考虑先设置为5-10秒。*注意：为了模拟玩家因为分开池子后的减少情况，本例会在非全匹配的模式中，加倍每个请求的随机等待时间，比如原来只有1-3秒，现在变为2-6秒。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值