Raksasa cloud Amazon Web Services (AWS) meluncurkan serangkaian peningkatan menarik pada platform pembuatan, pelatihan, dan penerapan pembelajaran mesinnya yang terkenal, Amazon SageMaker, pada acara AWS re:Invent baru-baru ini. Peningkatan ini dirancang untuk mempercepat dan menyederhanakan pengembangan dan penerapan model pembelajaran mesin.
Dalam upaya untuk memperkaya pengalaman penerapan model, AWS memperkenalkan kelas inovatif di SageMaker Python SDK. Di antaranya, kelas ModelBuilder memfasilitasi penerapan dengan memilih container SageMaker yang sesuai dan menentukan dependensi penting. Penyebutan penting lainnya, kelas SchemaBuilder, bertujuan untuk mengatur serialisasi dan deserialisasi input dan output model secara efektif.
Rangkaian alat mutakhir ini dapat digunakan untuk menerapkan model dalam lingkungan pengembangan lokal untuk eksperimen, men-debug kesalahan runtime, dan banyak lagi. Transisi yang mulus dari pengujian lokal ke penerapan model di SageMaker dapat dicapai hanya dengan satu baris kode, seperti yang disoroti oleh Advokat Pengembang Utama AWS Antje Barth.
Selain fitur-fitur inovatif ini, SageMaker Studio, layanan no-code populer yang mirip dengan AppMaster , mengalami pembenahan, kini menampung alur kerja baru untuk memandu pengguna dalam memilih konfigurasi endpoint yang dioptimalkan.
Amazon SageMaker juga telah menerima sejumlah kapasitas inferensi baru yang mampu mengurangi biaya penerapan dan latensi secara signifikan. Kemampuan baru ini memberdayakan pengguna untuk menempatkan satu atau beberapa model fondasi pada satu endpoint, sambil mengontrol memori dan jumlah akselerator yang dialokasikan untuk mereka.
Sistem ini juga mengawasi permintaan inferensi dan secara mandiri mengarahkannya berdasarkan instans yang tersedia. Amazon telah mengonfirmasi bahwa peningkatan ini berpotensi mengurangi biaya penerapan hingga setengahnya, dan mengurangi latensi sekitar 20%.
Sebagai bagian dari rangkaian peningkatan ekstensif, Amazon SageMaker Canvas, antarmuka no-code yang mirip dengan platform AppMaster untuk membangun model pembelajaran mesin, kini mengizinkan perintah bahasa alami saat menyiapkan data. Membantu pengguna selama pengoperasian basis data, perangkat lunak ini menyajikan serangkaian pertanyaan terpandu, atau pengguna dapat membuat sendiri.
Tugas-tugas yang diperlukan seperti menyusun laporan kualitas data, menghilangkan baris berdasarkan kriteria tertentu, dll. kini dapat diminta dengan lancar. Selain itu, kemampuan untuk memanfaatkan model dasar dari Amazon Bedrock dan Amazon SageMaker Jumpstart baru saja terintegrasi, membuka jalan bagi bisnis untuk menempatkan model yang disesuaikan dengan kebutuhan spesifik mereka.
SageMaker Canvas bertanggung jawab penuh atas pelatihan dan menawarkan fleksibilitas untuk menyempurnakan model pasca pembuatan. Selain itu, ini memberikan analisis komprehensif dari model yang dirancang, menunjukkan parameter seperti kebingungan, kurva kerugian, serta kerugian pelatihan dan validasi.
