西雅圖--今天在 AWS re:Invent 大會上，Amazon.com 旗下公司（納斯達克股票代碼：AMZN）宣布了六項新的 Amazon SageMaker 功能，包括 Amazon SageMaker Studio，這是第一個完全用于機器學習的集成開發環境，使開發人員能夠更輕松地構建、調試、訓練、部署、監控和操作自定義機器學習模型。今天的公告為開發人員提供了強大的新工具，例如彈性筆記本、實驗管理、自動模型創建、調試和分析以及模型漂移檢測，并將它們封裝在第一個完全集成的機器學習開發環境 (IDE) Amazon SageMaker Studio 中。要開始使用 Amazon SageMaker，請訪問： 。

“隨著成千上萬的客戶使用 Amazon SageMaker 來消除構建、培訓和部署自定義機器學習模型的障礙，他們也遇到了大規模運營的新挑戰，他們繼續向 AWS 提供有關他們的下一組挑戰”

Amazon SageMaker 是一項完全托管的服務，可以消除機器學習過程中每個步驟的繁重工作。數以萬計的客戶使用 Amazon SageMaker 來幫助加速他們的機器學習部署，包括 ADP、AstraZeneca、Avis、Bayer、British Airways、Cerner、Convoy、Emirates NBD、Gallup、Georgia-Pacific、GoDaddy、Hearst、Intuit、LexisNexis、Los洛杉磯快船隊、NuData（萬事達卡公司）、松下航空電子、環球郵報和 T-Mobile。自推出以來，AWS 定期向 Amazon SageMaker 添加新功能，僅在去年就提供了 50 多項新功能，包括用于構建高度準確的帶注釋訓練數據集的 Amazon SageMaker Ground Truth、幫助開發人員使用稱為強化學習和 SageMaker Neo，它使開發人員能夠訓練一次算法并部署在任何硬件上。這些功能已幫助更多開發人員構建自定義機器學習模型。但是，正如 Amazon SageMaker 消除了采用機器學習的障礙一樣，客戶大規模利用機器學習的愿望只會增加。

Amazon SageMaker 使開發出色機器學習模型的許多構建塊步驟變得更加容易。但很多時候，構建真正偉大的模型并隨著業務的發展而成功發展需要在這些構建塊之間進行大量優化，并且需要了解哪些工作或不工作以及為什么工作。這些挑戰并非機器學習所獨有，軟件開發通常也是如此。然而，在過去的幾十年中，已經構建了許多工具，如 IDE，有助于測試、調試、部署、監控和分析，以幫助解決軟件開發人員面臨的挑戰。但由于其相對不成熟，這些相同的工具根本不存在于機器學習中——直到現在。

今天的公告包括重要的功能，使客戶能夠更輕松地構建、訓練、解釋、檢查、監控、調試和運行自定義機器學習模型：

• 機器學習 IDE： Amazon SageMaker Studio 將用于機器學習的所有組件集中在一個地方。就像 IDE 一樣，開發人員可以在 Amazon SageMaker Studio 中查看和組織他們的源代碼、依賴項、文檔和其他應用程序資產（例如用于移動應用程序的圖像）。今天，機器學習工作流程有很多組件，其中許多都帶有自己的一套工具，這些工具在今天是分開存在的。 Amazon SageMaker Studio IDE 為今天宣布的所有 Amazon SageMaker 功能和整個機器學習工作流程提供單一界面。 Amazon SageMaker Studio 使開發人員能夠創建項目文件夾、組織筆記本和數據集，以及協作討論筆記本和結果。 Amazon SageMaker Studio 使從單個界面構建、訓練、解釋、檢查、監控、調試和運行機器學習模型變得更簡單、更快捷。
• 彈性筆記本： Amazon SageMaker Notebooks 提供具有彈性計算的一鍵式 Jupyter 筆記本，可以在幾秒鐘內啟動。筆記本包含運行或重新創建機器學習工作流所需的一切。在今天之前，要查看或運行筆記本，開發人員需要在 Amazon SageMaker 中啟動一個計算實例來為筆記本提供動力。如果他們發現他們需要更多的計算能力，他們必須啟動一個新實例、轉移筆記本并關閉舊實例。而且，由于 notebook 與計算實例耦合，并且 notebook 通常存在于開發人員的工作站上，因此沒有簡單的方法來共享 notebook 和協作迭代。 Amazon SageMaker Notebooks 提供彈性 Jupyter 筆記本，允許開發人員輕松調高或調低為筆記本提供動力的計算量（包括 GPU 加速），更改會在后臺自動進行，而不會中斷開發人員的工作。開發人員不再需要浪費時間關閉舊實例并在新實例中重新創建所有工作。這樣可以更快地開始構建模型。 Amazon SageMaker Notebooks 還將通過自動復制特定環境和庫依賴項來實現筆記本的一鍵共享。這將使協作構建模型變得更加容易，因為工程師將能夠輕松地將他們的工作提供給其他工程師，以便他們在現有工作的基礎上進行構建。
• 實驗管理： Amazon SageMaker Experiments 幫助開發人員組織和跟蹤機器學習模型的迭代。機器學習通常需要多次迭代，旨在隔離和測量更改特定輸入的增量影響。在這些迭代過程中，開發人員會產生數百個工件，例如模型、訓練數據和參數設置。如今，他們不得不依靠電子表格等繁瑣的機制來跟蹤這些實驗，并手動對這些工件進行分類，以了解它們對實驗的影響。 Amazon SageMaker 實驗 通過自動捕獲輸入參數、配置和結果來幫助開發人員管理這些迭代，并將它們存儲為“實驗”。開發者可以瀏覽活躍的實驗，根據特征搜索之前的實驗，查看之前的實驗結果，直觀地比較實驗結果。而且，Amazon SageMaker Experiments 還保留了完整的實驗譜系，因此如果模型開始偏離其預期結果，開發人員可以及時返回并檢查其工件。 Amazon SageMaker Experiments 使開發人員更容易更快地迭代和開發高質量模型。
• 調試和分析： Amazon SageMaker 調試器 允許開發人員調試和分析模型訓練，以提高準確性、減少訓練時間并促進對機器學習模型的更好理解。今天，訓練過程在很大程度上是不透明的，訓練時間可能很長且難以優化，“黑匣子”效應使得模型難以解釋和解釋。借助 Amazon SageMaker Debugger，在 Amazon SageMaker 中訓練的模型會自動發出關鍵指標，這些指標會被收集并在 Amazon SageMaker Studio 中或通過 Amazon SageMaker Debugger 的 API。這些指標提供有關訓練準確性和性能的實時反饋。當檢測到訓練問題時，Amazon SageMaker 調試器 提供警告和補救建議。 Amazon SageMaker 調試器 還可以幫助開發人員解釋模型是如何工作的，這是朝著神經網絡可解釋性邁出的早期一步。
• 自動建模： Amazon SageMaker Autopilot 提供業界首個自動化機器學習功能，無需開發人員放棄對其模型的控制和可見性。今天的自動化機器學習方法在創建初始模型方面做得足夠好，但是對于開發人員來說，他們沒有關于模型是如何創建的或其中包含什么的數據。所以，如果模型是平庸的，而開發人員想要改進它，他們就不走運了。此外，今天的自動機器學習服務只為客戶提供一種簡單的模型。有時客戶愿意做出取舍，例如犧牲一個模型版本的一點準確性，以換取做出更低延遲預測的變體，但鑒于客戶只有一個模型可供選擇，因此沒有這樣的選擇. Amazon SageMaker Autopilot 自動檢查原始數據、應用特征處理器、選擇最佳算法集、訓練多個模型、調整它們、跟蹤它們的性能，然后根據性能對模型進行排名——只需單擊幾下即可。結果是對客戶可以部署的最佳性能模型的推薦，但只需要通常訓練它所需的時間和精力的一小部分，并且可以完全了解模型的創建方式和其中的內容。缺乏機器學習經驗的人可以使用 Amazon SageMaker Autopilot 輕松地僅根據數據生成模型，或者經驗豐富的開發人員可以使用它來快速開發團隊可以進一步迭代的基線模型。 Amazon SageMaker Autopilot 還為開發人員提供了多達 50 種不同的模型，可以在 Amazon SageMaker Studio 中進行檢查，因此開發人員可以為他們的使用案例選擇最佳模型，并可以根據他們選擇優化的因素進行考慮。
• 概念漂移檢測： Amazon SageMaker 模型監視器 允許開發人員檢測和修復概念漂移。今天，影響生產中部署模型準確性的一大因素是，用于生成預測的數據是否開始與用于訓練模型的數據不同（例如，不斷變化的經濟條件推動新利率影響購房預測，不同溫度、濕度和氣壓的季節變化會影響對預測的設備維護計劃等的信心）。如果數據開始出現差異，則可能導致概念漂移，從而模型用于進行預測的模式不再適用。 Amazon SageMaker 模型監控器自動 檢測部署模型中的概念漂移。 Amazon SageMaker 模型監視器 在訓練期間創建一組關于模型的基線統計數據，并將用于進行預測的數據與訓練基線進行比較。 Amazon SageMaker 模型監視器 在檢測到漂移時提醒開發人員并幫助他們直觀地確定根本原因。開發人員可以使用 Amazon SageMaker Model Monitor 的 開箱即用的功能來立即檢測漂移，或者他們可以為 Amazon SageMaker 模型監視器編寫自己的規則 監視。 Amazon SageMaker 模型監視器 使開發人員更容易調整訓練數據或算法以適應概念漂移。

“隨著成千上萬的客戶使用 Amazon SageMaker 來消除構建、培訓和部署自定義機器學習模型的障礙，他們也遇到了大規模運營的新挑戰，他們繼續向 AWS 提供有關他們的下一組挑戰，”AWS 亞馬遜機器學習副總裁 Swami Sivasubramanian 說。 “今天，我們宣布推出一組工具，讓開發人員更輕松地構建、訓練、解釋、檢查、監控、調試和運行自定義機器學習模型。多年來，軟件開發人員已經知道并使用其中許多概念來構建、測試和維護軟件。但是，開發人員無法使用它們來構建機器學習模型。今天，通過這些發布，我們首次將這些概念帶給機器學習開發人員?！?/p>

Autodesk 是為建筑、工程/施工、產品設計和制造行業的客戶提供軟件的全球領導者。 Autodesk 的軟件產品包括 AutoCAD（繪圖軟件）和 BIM 360（用于項目交付和施工文檔管理的云平臺）。 “在 Autodesk，我們利用機器學習來增強我們的設計和制造解決方案，從而為我們的客戶提供更大程度的創作自由。衍生式設計技術可以產生數百個符合設計標準的優化解決方案，”Autodesk 機器學習工程師 Alexander Carlson 說。 “使用機器學習，我們開發了一種新的過濾器，可以識別和分組具有相似視覺特征的結果，從而更容易找到最佳選擇。這個視覺相似度過濾器將始終適應它所觀察的內容，從而更容易、更有效地找到完美的設計。 Amazon SageMaker Debugger 通過幫助關閉反饋循環、節省寶貴的數據科學家時間并將培訓時間減少 75% 以上，讓我們能夠更有效地迭代此模型。”

Change Healthcare 是一家領先的獨立醫療保健技術公司，提供數據和分析驅動的解決方案，以改善美國醫療保健系統的臨床、財務和患者參與結果。 “在 Change Healthcare，我們一直在與我們的醫療保健提供者合作，以消除醫療保健索賠處理中的低效問題。我們經常從我們的醫療保健提供者那里收到標簽不可讀的索賠表格，并且手動修復這些表格會增加索賠解決過程的時間和成本。我們開發了一種多層深度學習模型，可以將標簽從良好的形式疊加到不可讀的形式中，”Change Healthcare 人工智能工程高級總監 Jayant Thomas 說。 “Amazon SageMaker 調試器通過快速迭代幫助我們提高了模型的準確性，從而幫助我們實現了發布里程碑。此外，SageMaker Debugger 正在幫助我們更深入地了解張量，實現彈性模型訓練，幫助使用規則掛鉤實時檢測不一致，并調整模型參數以提高準確性?！?/p>

英威達是世界領先的綜合纖維、樹脂和中間體公司。 “Amazon SageMaker 中的新服務為我們在 INVISTA 帶來了巨大的好處。借助 Amazon SageMaker Studio，我們現在能夠共同定位數據科學任務。我們的團隊無需管理許多單獨的資源，而是可以輕松地繼續工作INVISTA 分析和云主管 Tanner Gonzalez 說：“這讓我們能夠節省管理基礎設施和存儲庫的時間，并幫助我們減少將算法和分析項目部署到生產中的時間?！盇mazon SageMaker Experiments 幫助我們使用模型跟蹤。以前，我們會在不同的地方跟蹤和保存模型工件，但是我們無法查看整個實驗，而且我們經常會丟失信息。使用 SageMaker Experiments，我們現在有任何簡單的界面來管理實驗，獲得一個“

SyntheticGestalt 是一家應用機器學習公司，為制藥和其他生命科學行業的研究自動化開發模型、軟件和智能代理。 “我們使用 Amazon SageMaker 訓練我們的藥物發現模型和合成生物學模擬模型，新功能幫助我們系統地管理和評估我們的實驗結果。為了深入了解實驗的性能，我們的研究人員必須保持一致的實驗設置和模型結果，”SyntheticGestalt Ltd. 首席技術官 Kotaro Kamiya “隨著 Amazon SageMaker 的最新發布，包括 Amazon SageMaker Studio 和 Amazon SageMaker Experiments 等功能，我們可以以 2 倍的速度確定最佳實驗設置，最終加速我們生產改變生命的候選分子的能力。 SageMaker 幫助我們的研究人員輕松比較數千個實驗設置；他們只需一步就能完成以前耗費我們研究人員數小時時間的工作。以前，我們只能將 100 個實驗設置相互比較，而 Amazon SageMaker Experiments 完全消除了這一限制，因此我們可以不受限制地專注于實驗設計。”

關于亞馬遜網絡服務

13 年來，Amazon Web Services 一直是世界上最全面、應用最廣泛的云平臺。 AWS 為計算、存儲、數據庫、網絡、分析、機器人、機器學習和人工智能 (AI)、物聯網 (IoT)、移動、安全、混合、虛擬和增強現實（VR 和 AR）提供超過 165 項功能齊全的服務)、媒體和應用程序開發、部署和管理，來自 22 個地理區域內的 69 個可用區 (AZ)，并宣布計劃在印度尼西亞、意大利、南非和西班牙再增加 13 個可用區和 4 個 AWS 區域。數以百萬計的客戶（包括發展最快的初創公司、最大的企業和領先的政府機構）信任 AWS 來支持他們的基礎設施、變得更加敏捷并降低成本。

關于亞馬遜

亞馬遜遵循四項原則：以客戶為中心而非以競爭對手為中心、對發明的熱情、對卓越運營的承諾以及長期思考。客戶評論、一鍵購物、個性化推薦、Prime、亞馬遜物流、AWS、Kindle Direct Publishing、Kindle、Fire 平板電腦、Fire TV、亞馬遜 Echo 和 Alexa 是亞馬遜率先推出的一些產品和服務。

點擊咨詢現在有哪些新興平臺值得關注 >>>

特別聲明：以上文章內容僅代表作者本人觀點，不代表ESG跨境電商觀點或立場。如有關于作品內容、版權或其它問題請于作品發表后的30日內與ESG跨境電商聯系。