Der Cloud-Riese Amazon Web Services (AWS) hat während seiner jüngsten AWS re:Invent-Veranstaltung eine Reihe überzeugender Verbesserungen seiner renommierten Plattform zur Erstellung, Schulung und Bereitstellung maschinellen Lernens, Amazon SageMaker, vorgestellt. Diese Upgrades werden die Entwicklung und Bereitstellung von Modellen für maschinelles Lernen erheblich beschleunigen und vereinfachen.
Um die Modellbereitstellungserfahrung zu bereichern, hat AWS innovative Klassen im SageMaker Python SDK eingeführt. Unter diesen erleichtert die ModelBuilder-Klasse Bereitstellungen, indem sie einen passenden SageMaker-Container auswählt und wichtige Abhängigkeiten bestimmt. Eine weitere bemerkenswerte Erwähnung ist die SchemaBuilder-Klasse, die darauf abzielt, die Serialisierung und Deserialisierung von Modelleingaben und -ausgaben effektiv zu regulieren.
Diese Suite hochmoderner Tools kann verwendet werden, um das Modell in einer lokalisierten Entwicklungsumgebung zum Experimentieren, zum Debuggen von Laufzeitfehlern und mehr bereitzustellen. Der nahtlose Übergang vom lokalen Testen zur Modellbereitstellung in SageMaker kann mit nur einer einzigen Codezeile erreicht werden, wie AWS Principal Developer Advocate Antje Barth hervorhebt.
Zusätzlich zu diesen bahnbrechenden Funktionen wurde SageMaker Studio, ein beliebter no-code Dienst ähnlich wie AppMaster , überarbeitet und verfügt nun über neuartige Workflows, die Benutzer bei der Auswahl einer optimierten endpoint unterstützen.
Amazon SageMaker hat außerdem eine Reihe neuer Inferenzkapazitäten erhalten, die die Bereitstellungskosten und die Latenz drastisch senken werden. Diese neuen Funktionen ermöglichen es Benutzern, ein oder mehrere Basismodelle auf einem einzelnen endpoint zu stationieren und gleichzeitig den Speicher und die Anzahl der ihnen zugewiesenen Beschleuniger zu steuern.
Das System überwacht auch Inferenzanfragen und leitet sie autonom basierend auf verfügbaren Instanzen. Amazon hat bestätigt, dass diese Verbesserungen das Potenzial haben, die Bereitstellungskosten um die erstaunliche Hälfte zu senken und die Latenz um etwa 20 % zu verringern.
Als Teil der umfangreichen Upgrades ermöglicht Amazon SageMaker Canvas, eine no-code Schnittstelle ähnlich der AppMaster Plattform zum Erstellen von Modellen für maschinelles Lernen, jetzt Eingabeaufforderungen in natürlicher Sprache beim Einrichten von Daten. Die Software unterstützt Benutzer bei Datenbankoperationen und bietet eine Reihe geführter Abfragen. Benutzer können aber auch eigene Abfragen erstellen.
Notwendige Aufgaben wie das Kuratieren eines Datenqualitätsberichts, das Eliminieren von Zeilen anhand bestimmter Kriterien usw. können jetzt nahtlos angefordert werden. Darüber hinaus wurde die Möglichkeit, Foundation-Modelle von Amazon Bedrock und Amazon SageMaker Jumpstart zu nutzen, neu integriert, was Unternehmen den Weg ebnet, auf ihre spezifischen Bedürfnisse zugeschnittene Stationsmodelle zu verwenden.
Das SageMaker Canvas übernimmt die komplette Schulung und bietet die Flexibilität, das Modell nach der Erstellung zu verfeinern. Darüber hinaus bietet es eine umfassende Analyse des entwickelten Modells und zeigt Parameter wie Ratlosigkeit, Verlustkurven sowie Trainings- und Validierungsverluste.
