Gigant chmurowy Amazon Web Services (AWS) zaprezentował podczas niedawnego wydarzenia AWS re:Invent atrakcyjny zestaw ulepszeń swojej słynnej platformy do tworzenia, szkolenia i wdrażania uczenia maszynowego, Amazon SageMaker. Ulepszenia te mają ogromnie przyspieszyć i uprościć opracowywanie i wdrażanie modeli uczenia maszynowego.
Próbując wzbogacić doświadczenie wdrażania modelu, AWS wprowadził innowacyjne klasy w pakiecie SageMaker Python SDK. Wśród nich klasa ModelBuilder ułatwia wdrażanie, wybierając pasujący kontener SageMaker i określając istotne zależności. Inna godna uwagi wzmianka, klasa SchemaBuilder, ma na celu skuteczne regulowanie serializacji i deserializacji danych wejściowych i wyjściowych modelu.
Ten zestaw najnowocześniejszych narzędzi można wykorzystać do wdrożenia modelu w zlokalizowanym środowisku programistycznym w celu eksperymentowania, debugowania błędów w czasie wykonywania i nie tylko. Jak podkreśliła główna rzeczniczka programistów AWS, Antje Barth, płynne przejście od testowania lokalnego do wdrażania modelu w SageMaker można osiągnąć za pomocą zaledwie jednej linii kodu.
Oprócz tych przełomowych funkcji, SageMaker Studio, popularna usługa no-code podobna do AppMaster , przeszła modernizację i obecnie oferuje nowatorskie przepływy pracy pomagające użytkownikom w wyborze zoptymalizowanej konfiguracji endpoint.
Amazon SageMaker otrzymał także mnóstwo nowych możliwości wnioskowania, które radykalnie zmniejszają koszty wdrożenia i opóźnienia. Te nowe możliwości umożliwiają użytkownikom umieszczenie jednego lub wielu modeli podstawowych na pojedynczym endpoint, przy jednoczesnej kontroli pamięci i liczby przydzielonych im akceleratorów.
System nadzoruje także żądania wnioskowania i samodzielnie nimi kieruje w oparciu o dostępne instancje. Amazon potwierdził, że te ulepszenia mogą potencjalnie obniżyć koszty wdrożenia o zdumiewającą połowę i zmniejszyć opóźnienia o około 20%.
W ramach obszernego zestawu aktualizacji Amazon SageMaker Canvas, interfejs no-code podobny do platformy AppMaster do konstruowania modeli uczenia maszynowego, umożliwia teraz wyświetlanie monitów w języku naturalnym podczas konfigurowania danych. Pomagając użytkownikom podczas operacji na bazach danych, oprogramowanie przedstawia szereg zapytań z przewodnikiem lub użytkownicy mogą tworzyć własne.
Niezbędne zadania, takie jak przygotowywanie raportu dotyczącego jakości danych, eliminowanie wierszy na podstawie określonych kryteriów itp. można teraz bezproblemowo zlecać. Nowo zintegrowano także możliwość wykorzystania modeli podstawowych z Amazon Bedrock i Amazon SageMaker Jumpstart, torując drogę firmom do tworzenia modeli stacji dostosowanych do ich konkretnych potrzeb.
SageMaker Canvas przejmuje pełną kontrolę nad szkoleniem i oferuje elastyczność w zakresie dostrajania modelu po utworzeniu. Dodatkowo zapewnia wszechstronną analizę opracowanego modelu, wykazując takie parametry, jak zakłopotanie, krzywe strat, a także straty szkoleniowe i walidacyjne.
