aws 机器学习_AWS加强了SageMaker机器学习

aws 机器学习

Amazon Web Services扩展了其Amazon SageMaker机器学习工具包的功能，以解决企业在尝试实施机器学习时遇到的许多挑战，从模型组织，培训和优化到监视生产中模型的性能。

SageMaker 在2017年的亚马逊re：invent大会上启动 ，旨在通过整合内置模型管理的Jupyter笔记本电脑托管环境，使用EC2实例的自动启动培训环境以及HTTPS终端节点，使客户更容易采用机器学习Amazon S3的托管功能。

[ 也在InfoWorld上：深度学习评论：Amazon SageMaker扩展了深度学习 ]

正如首席执行官Andy Jassy提出的那样，AWS与竞争对手Google Cloud和Microsoft Azure一样，希望成为领先的，提供全方位服务的环境，供数据科学家，数据工程师和非专业开发人员运行其所有机器学习工作负载。

对于AWS而言，这意味着三层服务堆栈，从经验丰富的技术从业人员使用的基本构建模块开始，这些人员希望能够调整其建模过程的每个部分，无论是使用TensorFlow ，PyTorch，MXNet还是其他机器学习框架 。 SageMaker承诺将简化流程的关键要素，并以诸如Translate，Transcribe，图像识别和语音识别功能之类的现成认知服务作为补充。

[ 也在InfoWorld上：人工智能，机器学习和深度学习：您需要知道的一切 ]

介绍SageMaker Studio

现在，亚马逊正在使用其所谓的SageMaker Studio扩展此沙盒，最终为客户提供完全集成的开发环境（IDE），以存储和收集运行和管理机器所需的所有源代码，笔记本，文档，数据集和项目文件夹企业规模的学习模型，包括协作功能。

其中许多功能已经可以在Microsoft的Azure机器学习平台和Google Cloud的AI中心中找到，而数据科学“工作台”产品也由Domino Data Lab和Dataiku等提供。

[ 也在InfoWorld上：用于AI开发的6种最佳编程语言 ]

SageMaker实验和模型监控器

AWS已宣布的新功能中，让我们从笔记本开始。 AWS希望通过一键旋转Jupyter笔记本电脑来简化计算的配置，以及自动化在笔记本电脑之间传输内容的棘手过程。

在公告列表中的下一个是SageMaker Experiments，它是一项新功能，使开发人员可以查看和管理其模型的所有不同迭代。 它通过收集诸如输入参数，配置和输出结果之类的关键指标来做到这一点，以便用户可以比较和对比多种模型（新模型和旧实验）的性能。

亚马逊还添加了本机调试工具，允许用户在培训期间调试和分析模型，这一过程历来被证明是不透明的。 调试器将在模型偏离准确性和性能指标的完成时进行标记，并提供补救建议。

最后，亚马逊还发布了SageMaker Model Monitor，它可以帮助客户更好地检测“概念漂移”，其中模型在生产中使用的数据开始偏离训练模型所使用的数据。 借助SageMaker Model Monitor，当将数据样本提供给SageMaker时，AWS客户将根据他们配置的基准水平，在数据可能出现偏差时收到警报。 然后，Model Monitor将按设定的时间表检查数据和预测质量，甚至向Amazon CloudWatch提供按功能的指标。

正如CCS Insight企业研究副总裁Nick McQuire所说：“客户现在正在加倍处理数据漂移，黑盒AI，并需要更多工具来帮助他们跟踪生产中的模型行为。 AWS最终不得不把这些领域作为重点，但是我认为，对于他们而言，它们有些晚了。 模型可解释性，偏差检测和性能监控在今年的战略中尤其明显地针对微软和谷歌。

[ 通过InfoWorld的机器学习和分析报告时事通讯来掌握机器学习，人工智能和大数据分析的最新进展 ]

SageMaker Autopilot用于自动化机器学习

亚马逊还宣布了对其自动机器学习（AutoML）产品的一些更改（不要与Google Cloud自己的AutoML产品混淆），该产品可以自动在Sagemaker中为分类和线性回归模型选择，训练和优化机器学习模型。

Jassy说，客户要求对这些模型有更大的可视性，并已通过SageMaker Autopilot做出了回应。

SageMaker Autopilot的粗略的端到端工作流程是，客户提供CSV文件或指向要在其上建立模型的数据的S3位置的链接，然后SageMaker将对该数据训练多达50种不同的模型并给出客户可以将它们作为笔记本进行访问，并在SageMaker Studio中以排行榜的形式展示。 从数据清理和预处理到算法选择到实例和群集大小选择的整个过程都将自动处理。

“因此，当您打开笔记本时，该模型的配方就已经存在，从算法到参数，因此您可以根据需要对其进行改进，” Jassy在今天的re：Invent主题演讲中说道。

从理论上讲，这允许公司在使用AWS时升级其模型，从分类和回归算法开始，但随着它们积累更多的数据并提高数据科学和工程技能，他们可以跟踪，测量和自定义它们。他们的生意。

SageMaker Studio可从AWS美国东部（俄亥俄州）区域立即使用，而SageMaker实验和SageMaker Model Monitor可立即用于所有SageMaker客户。

翻译自: https://www.infoworld.com/article/3487829/aws-beefs-up-sagemaker-machine-learning.html

aws 机器学习