Облачный гигант Amazon Web Services (AWS) представил впечатляющий набор усовершенствований своей известной платформы для создания, обучения и развертывания машинного обучения Amazon SageMaker во время своего недавнего мероприятия AWS re:Invent. Эти обновления призваны значительно ускорить и упростить разработку и развертывание моделей машинного обучения.
Пытаясь расширить возможности развертывания моделей, AWS представила инновационные классы в SageMaker Python SDK. Среди них класс ModelBuilder облегчает развертывание, выбирая подходящий контейнер SageMaker и определяя важные зависимости. Еще одно примечательное упоминание — класс SchemaBuilder, призванный эффективно регулировать сериализацию и десериализацию входных и выходных данных модели.
Этот набор передовых инструментов можно использовать для развертывания модели в локализованной среде разработки для экспериментов, отладки ошибок времени выполнения и многого другого. Беспрепятственный переход от локального тестирования к развертыванию модели в SageMaker может быть достигнут с помощью всего лишь одной строки кода, как подчеркнула главный адвокат разработчиков AWS Антье Барт.
В дополнение к этим новаторским функциям SageMaker Studio, популярный сервис no-code, аналогичный AppMaster , подвергся обновлению и теперь включает в себя новые рабочие процессы, помогающие пользователям выбрать оптимизированную конфигурацию endpoint.
Amazon SageMaker также получил множество новых возможностей вывода, которые позволяют значительно снизить затраты на развертывание и задержку. Эти новые возможности позволяют пользователям размещать одну или несколько моделей фундамента на одной endpoint, одновременно контролируя память и количество выделенных им ускорителей.
Система также контролирует запросы на вывод и автономно направляет их на основе доступных экземпляров. Amazon подтвердила, что эти улучшения могут сократить затраты на развертывание вдвое и уменьшить задержку примерно на 20%.
В рамках обширного набора обновлений Amazon SageMaker Canvas, интерфейс no-code аналогичный платформе AppMaster для построения моделей машинного обучения, теперь позволяет использовать подсказки на естественном языке при настройке данных. Помогая пользователям во время операций с базой данных, программное обеспечение предлагает множество управляемых запросов, или пользователи могут создавать свои собственные.
Теперь можно легко запрашивать необходимые задачи, такие как создание отчета о качестве данных, исключение строк на основе определенных критериев и т. д. Кроме того, недавно была интегрирована возможность использовать модели фундаментов из Amazon Bedrock и Amazon SageMaker Jumpstart, что открывает компаниям возможность использовать модели станций, адаптированные к их конкретным потребностям.
SageMaker Canvas берет на себя полную ответственность за обучение и обеспечивает гибкость для точной настройки модели после создания. Кроме того, он обеспечивает всесторонний анализ разработанной модели, демонстрируя такие параметры, как недоумение, кривые потерь, а также потери при обучении и проверке.
