Cloudgigant Amazon Web Services (AWS) heeft tijdens zijn recente AWS re:Invent-evenement een overtuigende reeks verbeteringen onthuld aan zijn gerenommeerde platform voor het creëren, trainen en implementeren van machine learning, Amazon SageMaker. Deze upgrades zullen de ontwikkeling en implementatie van machine learning-modellen enorm versnellen en vereenvoudigen.
In een poging om de ervaring met modelimplementatie te verrijken, introduceerde AWS innovatieve klassen in de SageMaker Python SDK. Hiervan vergemakkelijkt de klasse ModelBuilder implementaties door een passende SageMaker-container te kiezen en vitale afhankelijkheden te bepalen. Een andere opmerkelijke vermelding, de klasse SchemaBuilder, heeft tot doel de serialisatie en deserialisatie van modelinvoer en -uitvoer effectief te reguleren.
Deze reeks geavanceerde tools kan worden gebruikt om het model in een gelokaliseerde ontwikkelomgeving te implementeren voor experimenten, het debuggen van runtime-fouten en meer. De naadloze overgang van lokaal testen naar modelimplementatie in SageMaker kan worden bereikt met slechts één regel code, zoals benadrukt door AWS Principal Developer Advocate Antje Barth.
Naast deze baanbrekende functies onderging SageMaker Studio, een populaire no-code service vergelijkbaar met AppMaster , een vernieuwing en biedt nu nieuwe workflows om gebruikers te begeleiden bij het kiezen van een geoptimaliseerde endpoint.
Amazon SageMaker heeft ook een hele reeks nieuwe gevolgtrekkingscapaciteiten gekregen die de implementatiekosten en latentie dramatisch zullen verlagen. Deze nieuwe mogelijkheden stellen gebruikers in staat één of meerdere basismodellen op één enkel endpoint te stationeren, terwijl ze het geheugen en het aantal daaraan toegewezen versnellers kunnen controleren.
Het systeem houdt ook toezicht op gevolgtrekkingsverzoeken en stuurt deze autonoom aan op basis van beschikbare instanties. Amazon heeft bevestigd dat deze verbeteringen het potentieel hebben om de implementatiekosten met maar liefst de helft te verlagen en de latentie met ongeveer 20% te verminderen.
Als onderdeel van de uitgebreide reeks upgrades staat Amazon SageMaker Canvas, een no-code interface vergelijkbaar met het AppMaster platform voor het construeren van machine learning-modellen, nu natuurlijke taalprompts toe bij het instellen van gegevens. De software helpt gebruikers tijdens databasebewerkingen en presenteert een reeks begeleide vragen, of gebruikers kunnen hun eigen vragen stellen.
Noodzakelijke taken zoals het samenstellen van een datakwaliteitsrapport, het elimineren van rijen op basis van specifieke criteria, enz. kunnen nu naadloos worden aangevraagd. Ook is de mogelijkheid om basismodellen van Amazon Bedrock en Amazon SageMaker Jumpstart te gebruiken nieuw geïntegreerd, waardoor de weg wordt vrijgemaakt voor bedrijven om modellen te stationeren die zijn afgestemd op hun specifieke behoeften.
Het SageMaker Canvas neemt de volledige leiding over de training en biedt de flexibiliteit om het model na de creatie te verfijnen. Bovendien biedt het een uitgebreide analyse van het bedachte model, waarbij parameters als verbijstering, verliescurven en trainings- en validatieverliezen worden weergegeven.
