更多

    AWS SageMaker Studio 全套管理 ML 模型

    Eric Chong
    Eric Chong
    商業・科技・創業・編輯

    經過李嘉誠基金會示範用機械學習(ML)技術的成效,相信 ML 將成企業的追求目標。而 AWS 在兩年前已推出 SageMaker 服務,協助管理機械學習模型。今年在「re:Invent 2019」宣布加強攻勢,推出 SageMaker Studio 管理機械學習模型,調配自動化運算資源,甚至建 AutoML。

    AWS 行政總裁 Andy Jassy 指出,全球有 85% 在雲端運算的 TensorFlow 模型都在 AWS 上,但九成開發人員都在配搭多個機械學習框架使用。SageMaker 平台兩年前已推出供基本管理 ML 模型之用,去年新增逾 50 項功能。今年新設 SageMaker Studio,為機械學習的整合式開發環境(Integrated Development Environment,IDE),通過自動化管理、除蟲、部署和監察平台上所有機械學習模型。配合 SageMaker Notebooks 可自動部署,一次點擊啟動,自動產生相應充足運算容量的執行個體。SageMaker Experiments 用圖像展示機械學習模型,方便以不同訓練參數和結果作比較。

    SageMaker Studio 全套管理機械學習模型產生和部署過程。
    SageMaker Studio 全套管理機械學習模型產生和部署過程。

    SageMaker Debugger 協助實時為機械學習模型除蟲,提高準確度。SageMaker Model Monitor 則監察實際環境運作的模型,經更多真實數據訓練後與原來模型的差異。

    SageMaker Notebook 自動部署機械學習模型,按所需容量啟動相關執行個體。
    SageMaker Notebook 自動部署機械學習模型,按所需容量啟動相關執行個體。

    另外,Google 和微軟都有自動機械學習服務,AWS 終於以新功能 SageMaker Autopilot 回應。Jessy 表示,開發人員可簡單至用 CSV 檔提供數據,SageMaker Autopilot 自動產生機械學習模型,而且用戶可全程監察產生過程,也能追蹤和解釋模型的結果。產生模型後,開發人員可經 SageMaker Studio 測試、修改,足夠成熟便可直接部署至實際環境。

    您會感興趣的內容

    相關文章