Amazon Web Services (AWS) ยักษ์ใหญ่ด้านคลาวด์ เปิดตัวชุดการปรับปรุงที่น่าสนใจสำหรับแพลตฟอร์มการสร้าง การฝึกอบรม และการปรับใช้แมชชีนเลิร์นนิงอันโด่งดังอย่าง Amazon SageMaker ในระหว่างงาน AWS re:Invent ล่าสุด การอัพเกรดเหล่านี้ได้รับการตั้งค่าให้เร่งและลดความซับซ้อนในการพัฒนาและปรับใช้โมเดลการเรียนรู้ของเครื่อง
ในความพยายามที่จะยกระดับประสบการณ์การใช้งานโมเดล AWS ได้แนะนำคลาสที่เป็นนวัตกรรมใหม่ใน SageMaker Python SDK ในบรรดาสิ่งเหล่านี้ คลาส ModelBuilder อำนวยความสะดวกในการปรับใช้โดยการเลือกคอนเทนเนอร์ SageMaker ที่เหมาะสมและกำหนดการขึ้นต่อกันที่สำคัญ การกล่าวถึงที่น่าสังเกตอีกประการหนึ่งคือคลาส SchemaBuilder มีจุดมุ่งหมายเพื่อควบคุมการซีเรียลไลซ์และการดีซีเรียลไลซ์ของอินพุตและเอาท์พุตของโมเดลอย่างมีประสิทธิภาพ
ชุดเครื่องมือล้ำสมัยนี้สามารถนำไปใช้เพื่อปรับใช้โมเดลในสภาพแวดล้อมการพัฒนาที่แปลเป็นภาษาท้องถิ่นสำหรับการทดลอง การดีบักข้อผิดพลาดรันไทม์ และอื่นๆ การเปลี่ยนแปลงจากการทดสอบในพื้นที่ไปสู่การปรับใช้โมเดลใน SageMaker อย่างราบรื่นสามารถทำได้โดยใช้โค้ดเพียงบรรทัดเดียว ดังที่เน้นโดย Antje Barth นักพัฒนาหลักของ AWS
นอกเหนือจากฟีเจอร์ที่ก้าวล้ำเหล่านี้แล้ว SageMaker Studio ซึ่งเป็นบริการ no-code ยอดนิยมที่คล้ายกับ AppMaster ยังได้รับการปรับปรุงใหม่ โดยขณะนี้มีเวิร์กโฟลว์ใหม่ๆ คอยแนะนำผู้ใช้ในการเลือกการกำหนดค่า endpoint ที่ได้รับการปรับปรุงให้เหมาะสม
Amazon SageMaker ยังได้รับความสามารถในการอนุมานใหม่ๆ มากมาย ซึ่งช่วยลดค่าใช้จ่ายในการปรับใช้และเวลาในการตอบสนองได้อย่างมาก ความสามารถใหม่เหล่านี้ช่วยให้ผู้ใช้สามารถติดตั้งโมเดลพื้นฐานหนึ่งหรือหลายโมเดลบน endpoint เดียว ขณะเดียวกันก็ควบคุมหน่วยความจำและจำนวนตัวเร่งความเร็วที่จัดสรรให้กับพวกเขา
ระบบยังดูแลคำขอการอนุมานและสั่งการคำขอเหล่านั้นโดยอัตโนมัติตามอินสแตนซ์ที่มีอยู่ Amazon ยืนยันว่าการปรับปรุงเหล่านี้มีศักยภาพในการลดต้นทุนการปรับใช้ลงได้ครึ่งหนึ่ง และลดเวลาแฝงลงได้ประมาณ 20%
ในฐานะที่เป็นส่วนหนึ่งของชุดอัปเกรดที่ครอบคลุม ขณะนี้ Amazon SageMaker Canvas ซึ่งเป็นอินเทอร์เฟซ no-code คล้ายกับแพลตฟอร์ม AppMaster สำหรับการสร้างแบบจำลองการเรียนรู้ของเครื่อง อนุญาตให้ใช้ข้อความแจ้งในภาษาที่เป็นธรรมชาติเมื่อตั้งค่าข้อมูล ช่วยเหลือผู้ใช้ในระหว่างการทำงานของฐานข้อมูล ซอฟต์แวร์นำเสนอข้อซักถามที่มีคำแนะนำมากมาย หรือผู้ใช้สามารถประดิษฐ์เองได้
งานที่จำเป็น เช่น การดูแลจัดการรายงานคุณภาพข้อมูล การตัดแถวตามเกณฑ์เฉพาะ ฯลฯ ในขณะนี้สามารถร้องขอได้อย่างราบรื่น นอกจากนี้ ความสามารถในการใช้โมเดลพื้นฐานจาก Amazon Bedrock และ Amazon SageMaker Jumpstart ได้รับการผสานรวมใหม่ ซึ่งปูทางให้ธุรกิจต่างๆ สามารถสร้างโมเดลสถานีที่ปรับให้เหมาะกับความต้องการเฉพาะของตนได้
SageMaker Canvas รับผิดชอบการฝึกอบรมอย่างสมบูรณ์ และมอบความยืดหยุ่นในการปรับแต่งโมเดลหลังการสร้าง นอกจากนี้ ยังให้การวิเคราะห์ที่ครอบคลุมของแบบจำลองที่คิดค้นขึ้น โดยแสดงพารามิเตอร์ต่างๆ เช่น ความฉงนสนเท่ห์ เส้นโค้งการสูญเสีย พร้อมกับการฝึกอบรมและการสูญเสียการตรวจสอบ
