云巨头 Amazon Web Services (AWS) 在最近的 AWS re:Invent 活动中推出了其著名的机器学习创建、培训和部署平台 Amazon SageMaker 的一系列引人注目的增强功能。这些升级将极大地加快和简化机器学习模型的开发和部署。
为了丰富模型部署体验，AWS 在 SageMaker Python SDK 中引入了创新类。其中，ModelBuilder 类通过选择合适的 SageMaker 容器并确定重要的依赖关系来促进部署。另一个值得注意的地方是 SchemaBuilder 类，旨在有效地规范模型输入和输出的序列化和反序列化。
这套尖端工具可用于在本地化开发环境中部署模型，以进行实验、调试运行时错误等。正如 AWS 首席开发倡导者 Antje Barth 所强调的那样，只需一行代码即可实现从本地测试到 SageMaker 中模型部署的无缝过渡。
除了这些突破性的功能之外，SageMaker Studio（一种类似于AppMaster 的流行no-code服务）也进行了改进，现在提供新颖的工作流程来指导用户选择优化的endpoint配置。
Amazon SageMaker 还获得了大量新的推理能力，可以显着降低部署费用和延迟。这些新功能使用户能够在单个endpoint上部署一个或多个基础模型，同时控制分配给它们的内存和加速器数量。
该系统还监督推理请求并根据可用实例自动指导它们。 Amazon 已确认，这些增强功能有可能将部署成本降低一半，并将延迟减少约 20%。
作为一系列广泛升级的一部分，Amazon SageMaker Canvas 是一种类似于AppMaster平台的no-code界面，用于构建机器学习模型，现在允许在设置数据时使用自然语言提示。该软件在数据库操作过程中为用户提供帮助，提供一系列引导查询，用户也可以自己制作。
现在可以无缝请求必要的任务，例如整理数据质量报告、根据特定标准消除行等。此外，新集成了利用 Amazon Bedrock 和 Amazon SageMaker Jumpstart 中的基础模型的功能，为企业部署根据其特定需求量身定制的模型铺平了道路。
SageMaker Canvas 完全负责训练，并提供在创建后微调模型的灵活性。此外，它还提供了对所设计模型的全面分析，展示了困惑度、损失曲线以及训练和验证损失等参数。
