AWS 宣布推出六项新的 Amazon SageMaker 功能-ESG跨境

拉斯维加斯--今天，在 AWS re:Invent 大会上，Amazon.com, Inc. (NASDAQ: AMZN) 旗下公司 Amazon Web Services, Inc. (AWS) 宣布为其行业领先的机器提供六项新功能学习服务，Amazon SageMaker，它使机器学习更易于访问且更具成本效益。今天的公告汇集了强大的新功能，包括用于创建准确机器学习预测的无代码环境、使用高技能注释器进行更准确的数据标记、用于加强跨域协作的通用 Amazon SageMaker Studio 笔记本体验、用于机器学习训练的编译器，使代码更高效，自动计算实例选择机器学习推理，以及用于机器学习推理的无服务器计算。要开始使用 Amazon SageMaker，请访问 。

“所有行业和规模的客户都对 Amazon SageMaker 如何帮助他们扩展对机器学习的使用感到兴奋，使其成为他们运营的核心部分，并允许他们为世界发明新产品、服务和体验。”

在几乎无限计算能力的可用性、云中数据的大量扩散以及开发人员可用工具的快速发展的推动下，机器学习已成为许多行业的主流。多年来，AWS 一直致力于让更广泛的客户更容易使用机器学习。如今，Amazon SageMaker 是 AWS 历史上增长最快的服务之一，拥有数万名客户，包括 AstraZeneca、Aurora、Capitol One、Cerner、Discovery、Hyundai、Intuit、Thomson Reuters、Tyson、Vanguard 以及更多使用训练各种规模的机器学习模型的服务，其中一些模型现在包含数十亿个参数，每月能够进行数千亿次预测。随着客户在 Amazon SageMaker 上进一步扩展他们的机器学习模型训练和推理，AWS 继续投资于扩展该服务的功能，仅在过去一年就提供了 60 多项新的 Amazon SageMaker 特性和功能。今天的公告以这些进步为基础，使准备和收集机器学习数据变得更加容易，更快地训练模型，优化推理所需的计算类型和数量，并将机器学习扩展到更广泛的受众。

• Amazon SageMaker Canvas 无代码机器学习预测： Amazon SageMaker Canvas 通过为业务分析师（支持财务、营销、运营和人力资源团队的业务线员工）提供允许他们创建更准确的机器学习预测，无需任何机器学习经验或编写一行代码。随着越来越多的公司寻求通过机器学习重塑他们的业务和客户体验，他们组织中的更多人需要能够在不同的业务领域使用先进的机器学习技术。然而，机器学习通常需要专业技能，这些技能可能需要多年的正规教育或具有挑战性和不断发展的课程的强化培训。 Amazon SageMaker Canvas 通过提供可视化的点击式用户界面解决了这一挑战，使业务分析师可以轻松生成预测。客户将 Amazon SageMaker Canvas 指向他们的数据存储（例如 Amazon Redshift、Amazon S3、Snowflake、本地数据存储、本地文件等），Amazon SageMaker Canvas 提供可视化工具来帮助用户直观地准备和分析数据。然后，Amazon SageMaker Canvas 使用自动化机器学习来构建和训练机器学习模型，而无需任何编码。业务分析师可以在 Amazon SageMaker Canvas 控制台中查看和评估模型，以确保其使用案例的准确性和有效性。 Amazon SageMaker Canvas 还允许用户将他们的模型导出到 Amazon SageMaker Studio，这样他们就可以与数据科学家共享这些模型，以验证和进一步完善他们的模型。
• Amazon SageMaker Ground Truth Plus 专家数据标记： Amazon SageMaker Ground Truth Plus 是一项完全托管的数据标记服务，它使用具有内置注释工作流的专家团队来提供高质量数据，以更快、更低成本地训练机器学习模型，并且无需需要编码。客户需要越来越大的正确标记的数据集，以训练更准确的模型并扩展他们的机器学习部署。但是，生成大型数据集可能需要数周到数年的时间，并且通常需要公司雇用员工并创建工作流来管理标记数据的过程。 2018 年，AWS 推出了 Amazon SageMaker Ground Truth，让客户更容易通过 Amazon Mechanical Turk、第三方供应商或他们自己的私人劳动力使用人工注释器生成标记数据。 Amazon SageMaker Ground Truth Plus 通过具有特定领域和行业专业知识的专业员工以及满足客户对高度准确数据标签的数据安全性、隐私和合规性要求的资格来扩展此功能。 Amazon SageMaker Ground Truth Plus 具有多步骤标记工作流程，包括由机器学习模型提供支持的预标记、人工标记的机器验证以检测错误和低质量标签，以及辅助标记功能（例如 3D 立方体捕捉、消除 2D 失真图像、视频标签中的 predict-next 和自动分割工具），以减少标记数据集所需的时间，并有助于降低采购高质量注释数据的成本。要开始使用，客户只需将 Amazon SageMaker Ground Truth Plus 指向他们在 Amazon Simple Storage Service (Amazon S3) 中的数据源，并提供他们特定的标签要求（例如，医学专家应如何在肺部放射图像中标记异常的说明）。然后，Amazon SageMaker Ground Truth Plus 创建一个数据标记工作流并提供控制面板，让客户能够跟踪数据注释进度、检查已完成标签样本的质量，并提供反馈以生成高质量数据，以便客户可以高度构建、训练和部署更快地建立准确的机器学习模型。
• Amazon SageMaker Studio 通用笔记本：适用于 Amazon SageMaker Studio（第一个完整的机器学习 IDE）的通用笔记本提供了一个单一的集成环境来执行数据工程、分析和机器学习。如今，跨不同数据域的团队希望使用一系列数据工程、分析和机器学习工作流进行协作。这些领域的从业者经常跨越数据工程、数据分析和数据科学等知识领域，并希望能够跨各种工作流工作，而无需切换数据探索工具。然而，当客户准备好跨分析和机器学习环境集成数据时，他们通常不得不同时使用多种工具和笔记本，这可能很麻烦、耗时且容易出错。 Amazon SageMaker Studio 现在允许用户从一个通用笔记本中以交互方式访问、转换和分析各种数据以用于多种用途。通过与在 Amazon EMR 集群上运行的 Spark、Hive 和 Presto 以及在 Amazon S3 上运行的数据湖的内置集成，客户现在可以使用 Amazon SageMaker Studio 访问和操作通用笔记本中的数据，而无需切换服务。除了使用他们首选的框架（例如 TensorFlow、PyTorch 或 MXNet）开发机器学习模型以在 Amazon SageMaker Studio 中构建、训练和部署机器学习模型外，客户还可以浏览和查询数据源、探索元数据和模式，并开始为分析或机器学习工作流处理作业 — 无需离开通用的 Amazon SageMaker Studio 笔记本。
• 用于机器学习模型的 Amazon SageMaker 训练编译器： Amazon SageMaker 训练编译器是一种新的机器学习模型编译器，它可以自动优化代码以更有效地使用计算资源，并将训练模型所需的时间减少多达 50%。当今最先进的深度学习模型非常庞大和复杂，以至于它们需要专门的计算实例来加速训练，并且可以消耗数千小时的图形处理单元 (GPU) 计算时间来训练单个模型。为了进一步加快训练时间，数据科学家通常会尝试增加训练数据或调整超参数（控制机器学习训练过程的变量），以找到性能最佳且资源最少的模型版本。这项工作在技术上很复杂，数据科学家通常没有时间优化训练模型以在 GPU 上运行所需的框架。 Amazon SageMaker Training Compiler 是一种新的机器学习模型编译器，它与 Amazon SageMaker 中的 TensorFlow 和 PyTorch 版本集成，这些版本已经过优化，可以在云中更高效地运行，因此数据科学家可以使用他们喜欢的框架通过以下方式训练机器学习模型更有效地使用 GPU。只需单击一下，Amazon SageMaker 训练编译器就会自动优化训练模型并对其进行编译，从而将训练速度提高 50%。
• Amazon SageMaker Inference Recommender 自动实例选择： Amazon SageMaker Inference Recommender 帮助客户自动选择最佳计算实例和配置（例如实例计数、容器参数和模型优化）来支持特定的机器学习模型。对于通常用于自然语言处理或计算机视觉的大型机器学习模型，选择具有最佳性价比的计算实例是一个复杂的迭代过程，可能需要数周的实验。 Amazon SageMaker Inference Recommender 消除了确定在何处运行模型的猜测和复杂性，并且可以通过自动推荐理想的计算实例配置将部署时间从数周缩短到数小时。数据科学家可以使用 Amazon SageMaker Inference Recommender 将模型部署到推荐的计算实例之一，或者他们可以使用该服务在一系列选定的计算实例上运行性能基准模拟。客户可以在 Amazon SageMaker Studio 中查看基准测试结果，并评估不同配置设置之间的权衡，包括延迟、吞吐量、成本、计算和内存。
• 适用于机器学习模型的 Amazon SageMaker Serverless Inference： Amazon SageMaker Serverless Inference 为生产中部署的机器学习模型提供即用即付定价推理。客户在使用机器学习时总是希望优化成本，这对于具有间歇性流量模式和长时间空闲时间的应用程序变得越来越重要。例如，基于消费者购买模式的个性化推荐、处理来电的聊天机器人以及基于实时交易的需求预测等应用程序可能会根据天气条件、促销产品或假期等外部因素而出现活动高峰。为机器学习推理提供恰到好处的计算量是一项困难的平衡行为。在某些情况下，客户会过度配置容量以适应高峰活动，这可以实现一致的性能，但在没有流量时会浪费金钱。在其他情况下，客户通过提供足够的计算能力来在条件发生变化时执行推理，从而限制成本。一些客户尝试即时手动调整计算资源以适应不断变化的条件，但这是繁琐的手动工作。用于机器学习的 Amazon SageMaker 无服务器推理会根据推理请求的数量自动预置、扩展和关闭计算容量。当客户将他们的机器学习模型部署到生产中时，他们只需在 Amazon SageMaker 中选择无服务器部署选项，Amazon SageMaker Serverless Inference 就会管理计算资源以提供所需的精确计算量。借助 Amazon SageMaker Serverless Inference，客户只需为每个请求使用的计算容量和处理的数据量付费，而无需管理底层基础设施。

“所有行业和规模的客户都对 Amazon SageMaker 如何帮助他们扩展对机器学习的使用感到兴奋，使其成为他们运营的核心部分，并允许他们为世界发明新产品、服务和体验，” AWS 亚马逊机器学习副总裁 Bratin Saha 说。 “我们很高兴将我们行业领先的机器学习服务扩展到更广泛的客户群体，这样他们也可以推动业务创新并帮助解决具有挑战性的问题。借助这些新的 Amazon SageMaker 工具，我们将向该服务引入一组全新的用户，同时还为现有客户提供额外的功能，以便更轻松地将数据转化为有价值的见解、加快部署时间、提高性能并节省资金在整个机器学习之旅中。”

宝马集团总部位于德国慕尼黑，是一家全球性的高档汽车和摩托车制造商，旗下品牌包括 BMW、BMW Motorrad、MINI 和劳斯莱斯。它还提供优质的金融和移动服务。 “使用人工智能作为一项关键技术是宝马集团数字化转型过程中不可或缺的元素。该公司已经在整个价值链中采用了人工智能，使其能够为客户、产品、员工和流程创造附加值。在过去的几年里，我们已经将许多宝马集团的顶级用例工业化，以商业价值影响来衡量，”宝马集团人工智能平台产品负责人 Marc Neumann 说。 “我们相信 Amazon SageMaker Canvas 可以推动我们在整个 BMW 集团的 AI/ML 扩展。借助 SageMaker Canvas，我们的业务用户可以轻松探索和构建 ML 模型以做出准确的预测，而无需编写任何代码。 SageMaker 还允许我们的中央数据科学团队在将业务用户创建的模型发布到生产之前进行协作和评估。”

西门子能源正在为社会注入活力。他们正在环境、社会和治理 (ESG) 等关键重点领域进行转型，他们的创新正在为他们的合作伙伴和他们的员工带来今天不同的未来。 “西门子能源数据科学战略的核心是让所有业务用户无需数据科学专家就可以试验不同的数据源和机器学习框架，从而将机器学习的力量带给他们。这使我们能够提高能源解决方案的创新和数字化速度，例如调度优化器和诊断服务，”西门子能源工业应用数据科学团队负责人 Davood Naderi 说。 “我们发现 Amazon SageMaker Canvas 是 Siemens Energy 机器学习工具包的重要补充，因为它允许业务用户执行实验，同时还可以与数据科学团队共享和协作。合作很重要，因为它帮助我们将更多的机器学习模型生产化，并确保所有模型都符合我们的质量标准和政策。”

Airbnb 是世界上最大的提供独特、真实的住宿和活动场所的市场之一，提供超过 700 万个住宿和 40,000 项手工活动，所有这些都由当地房东提供支持。 “在 Airbnb，我们越来越多地将 ML 整合到我们业务的各个方面。因此，我们的团队始终需要生成和维护高质量的数据，以训练和测试 ML 模型，”Airbnb 中国数据科学家 Wei Luo 说。 “我们正在寻找一种方法，在 10 万段普通话客户服务日志中生成高质量的文本分类数据结果，以便我们能够更好地为客户服务并减少对客户服务团队的依赖。借助 Amazon SageMaker Ground Truth Plus，AWS 团队构建了一个自定义的数据标记工作流程，其中包括一个能够实现 99% 分类准确度的自定义 ML 模型。”

美国国家橄榄球联盟是美国最受欢迎的体育联盟，由 32 支球队组成，他们每年都在争夺超级碗这一世界上最大的年度体育赛事。 “在 NFL，我们继续寻找使用机器学习的新方法，以帮助我们的球迷、广播员、教练和球队从更深入的见解中受益，”NFL 球员健康与创新高级副总裁 Jennifer Langton 说。 “足球是一项快速发展的运动，比赛可以在一瞬间发生。虽然教练和裁判会仔细观看比赛，但为了安全起见，可能很难观察场上的所有球员。计算机视觉使我们能够准确检测玩家安全事件，但开发这些算法需要经过专业标记的数据。现在，借助 Amazon SageMaker Ground Truth Plus，我们为复杂的标签任务提供了自定义工作流程和用户界面，这有助于我们提高玩家的安全性。”

VIZIO 成立并总部位于加利福尼亚州奥兰治县，其使命是提供身临其境的娱乐和引人注目的生活方式增强，使其产品成为互联家庭的中心。 VIZIO 正在通过其尖端智能电视的集成平台和强大的 SmartCast 操作系统来推动电视的未来。 VIZIO 的平台为内容提供商提供了更多分发其内容的方式，并为广告商提供了更多工具来定位和动态地向越来越多的观众提供广告，这些观众越来越多地从线性电视过渡。 “在 VIZIO，我们一直在寻找利用 ML 为我们的客户创造个性化体验的方法。我们一直在寻找一种方法来持续审查广告视频并生成商业元数据以进行有效的广告分类，”VIZIO 首席创新官 Zeev Neumeier 说。 “通过使用 Amazon SageMaker Ground Truth Plus 的流式传输功能，我们现在可以使用一个自定义模板，该模板提供视频分类、元数据收集和一个能够在广告播出时实时收集数据的自动化系统。借助 Amazon SageMaker Ground Truth Plus，我们能够在不到一个工作日的时间内查看结果。”

Litterati 是一家数据科学公司，帮助人们“众包清洁”地球。 Litterati 的平台通过开发行为洞察力、绘制问题区域和降低未来风险，使人们能够为我们世界面临的垃圾和废物问题创建更好的解决方案。从学校到科学家、环保组织、品牌和市政府，人们齐聚一堂，利用 Litterati 为更大的利益创造一个无垃圾的世界。 “对我们来说，机器学习为看不见的挑战带来光明。仅在美国，每年就有数十亿美元用于清理垃圾，”Litterati 首席技术官 Sean Doherty 说。 “通过计算机视觉模型，我们将世界各地的垃圾图像转化为数据，以便城市更好地分配垃圾管理资源。但是，由于数据集遍布全球，构建对象检测模型需要访问对象、材料和品牌信息以及本地化知识。 Amazon SageMaker Ground Truth Plus 允许我们创建一个分层注释界面，在该本地化上下文中捕获这些精确特征。此外，SageMaker Ground Truth Plus 专家团队创建了本地化图像注释，它提供了一个标准化的解决方案，将我们的数据标记效率提高了 20%，将我们将注释结果提取到我们的数据库中的能力提高了 200%，并减少了后处理90% 的时间。”

Provectus 帮助其客户从原始数据集、企业数据湖和机器学习模型构建端到端数据和机器学习工程体验。 “我们一直在等待直接从 Amazon SageMaker Studio 创建和管理 Amazon EMR 集群的功能，以便我们的客户可以直接从 Amazon SageMaker Studio 笔记本运行 Spark、Hive 和 Presto 工作流，”Provectus 首席执行官 Stepan Pushkarev 说。 “我们很高兴 Amazon SageMaker 现在已在本地构建此功能以简化 Spark 和机器学习作业的管理。这将帮助我们客户的数据工程师和数据科学家更有效地协作，以执行交互式数据分析并使用 EMR 开发机器学习管道-基于数据的转换。”

Vanguard Group, Inc. 是一家美国注册投资顾问，总部位于宾夕法尼亚州马尔文，管理着约 7 万亿美元的全球资产。 Vanguard 正在通过为投资者做正确的事情并为全球数百万客户创造变化来重新定义行业。 “我们很高兴我们的 Vanguard 数据科学家和数据工程师现在可以在一个笔记本上进行协作以进行分析和机器学习，”Vanguard 数据和分析高级总监 Doug Stewart 说。 “现在 Amazon SageMaker Studio 已与在 Amazon EMR 上运行的 Spark、Hive 和 Presto 进行了内置集成，我们的开发团队可以提高工作效率。这种单一的开发环境将使我们的团队能够专注于构建、培训和部署机器学习模型。”

Quantum Health 的使命是让每个人的医疗保健导航更智能、更简单、更具成本效益。他们将 Amazon SageMaker 用于文本分类、文本摘要、预测模型、分类问题和问答等用例，以帮助 Quantum 团队及其服务的成员。 “由于 NLP 模型的大小，迭代 NLP 模型可能是一个挑战。长时间的训练会阻碍工作流程和高昂的成本，这可能会阻止我们的团队尝试可能提供更好性能的更大模型，”Quantum Health 的高级数据科学家 Jorge Lopez Grisman 说。 “Amazon SageMaker Training Compiler 令人兴奋，因为它有可能缓解这些摩擦。使用 Amazon SageMaker Training Compiler 实现加速对我们的团队来说是一个真正的胜利，这将使我们更加敏捷和创新地向前发展。”

Guidewire 是财产险和意外险保险公司信任的平台，可以有效参与、创新和增长。该公司将数字、核心、分析和人工智能相结合，将其平台作为云服务提供，并使其客户能够针对其行业特定的工作负载进行高级分析和机器学习。超过 450 家保险公司，从新成立的企业到世界上最大和最复杂的保险公司，都在 Guidewire 上运营。 “Guidewire 的一项服务是帮助客户开发用于风险评估和索赔操作等应用的尖端 NLP 模型。 Amazon SageMaker 训练编译器之所以引人注目，是因为它在开发这些 NLP 模型时为我们的客户节省了时间和成本，”Guidewire Software 的分析和数据服务首席产品经理 Matt Pearson 说。 “我们希望它通过更有效地使用 GPU 资源来帮助我们将训练时间减少 20% 以上。我们很高兴在我们的 NLP 工作负载中实施 Amazon SageMaker 训练编译器，帮助我们加快将数据转化为客户洞察的速度。”

Musixmatch 是一家领先的音乐数据公司，提供数据、工具和服务，丰富我们体验音乐的方式，例如搜索歌曲和分享歌词。 Musixmatch 是世界上最大的此类服务，拥有超过 8000 万用户和超过 800 万首不同的歌词。 “Musixmatch 使用 Amazon SageMaker 构建自然语言处理和音频处理模型，并正在尝试将 Hugging Face 与 Amazon SageMaker 结合使用。我们选择 Amazon SageMaker 是因为它允许数据科学家快速迭代地构建、训练和调整模型，而无需担心管理底层基础设施，这意味着数据科学家可以更快、更独立地工作，”Musixmatch 的 AI 工程总监 Loreto Parisi 说. “随着公司的发展，我们对训练和调整更大、更复杂的 NLP 模型的要求也越来越高。我们一直在寻找加快培训时间同时降低培训成本的方法，这就是我们对 Amazon SageMaker Training Compiler 感到兴奋的原因。 SageMaker Training Compiler 提供了在训练过程中更有效地使用 GPU 的方法，并且通过 SageMaker Training Compiler、PyTorch 和 Hugging Face 等高级库之间的无缝集成，我们已经看到基于 Transformer 的训练时间显着改善模型从几周到几天，以及更低的培训成本。”

Loka 是一家机器学习咨询公司，它帮助其客户在各种用例中利用机器学习并将其构建到他们的产品中，以提供更好的客户体验。 Loka 首席执行官 Bobby Mukherjee 表示：“我们花费了大量时间和精力来优化模型、调整服务器和测试实例类型，以便为其客户提供高性能、可扩展且具有成本效益的机器学习环境。” “现在使用 Amazon SageMaker Inference Recommender，我们的工程师能够在几分钟内从任何位置将 ML 模型部署到生产中。”

数字健康公司 Holmusk 推出了 FoodDX 应用程序，以帮助人们改善饮食和健康状况。 “我们的食物图像识别算法需要低延迟，以确保我们的用户在正确的时间获得正确的饮食建议。为了实现低延迟，我们过度配置 GPU，这很昂贵，”Holmusk 首席技术官 Sai Subramanian 说。 “使用 Amazon SageMaker Inference Recommender，我们现在可以轻松地跨不同实例进行负载测试，并在数小时内确定实例配置，从而显着降低我们的计算成本，同时保持延迟要求。这对我们的团队来说是一个巨大的胜利，让我们的 ML 科学家专注于创建算法来帮助人们过上更健康的生活，而不是管理基础设施。”

Qualtrics 是一家体验管理公司，使用自然语言处理 (NLP) 模型帮助从客户调查中提取信息。 “Amazon SageMaker Inference Recommender 使用大规模测试和部署机器学习模型所需的工具提高了我们 MLOps 团队的效率，”说 Samir Joshi，Qualtrics 的 ML 工程师。 “借助 Amazon SageMaker Inference Recommender，我们的团队可以定义延迟和吞吐量要求，并更快地部署这些模型，同时满足我们的预算和生产标准。”

iFood 是拉丁美洲在线食品配送领域的领先企业，每月完成超过 6000 万份订单，它使用机器学习向在线订购的客户推荐餐厅。 iFood 机器学习和数据工程总监 Ivan Lima 说：“我们一直在将 Amazon SageMaker 用于我们的机器学习模型，以便在我们的整个业务中构建高质量的应用程序。借助 Amazon SageMaker 无服务器推理，我们希望能够更快地部署和扩展模型，而无需担心在没有流量时选择实例或保持端点处于活动状态。有了这个，我们还希望看到运行这些服务的成本降低。”

关于亚马逊网络服务

15 年来，Amazon Web Services 一直是世界上最全面、被广泛采用的云产品。 AWS 一直在不断扩展其服务以支持几乎任何云工作负载，现在它拥有 200 多项功能齐全的服务，用于计算、存储、数据库、网络、分析、机器学习和人工智能 (AI)、物联网 (IoT) 、移动、安全、混合、虚拟和增强现实（VR 和 AR）、媒体和应用程序开发、部署和管理，来自 25 个地理区域内的 81 个可用区，并宣布计划在 27 个可用区和另外 9 个 AWS 区域澳大利亚、加拿大、印度、印度尼西亚、以色列、新西兰、西班牙、瑞士和阿拉伯联合酋长国。数以百万计的客户（包括发展最快的初创公司、最大的企业和领先的政府机构）信任 AWS 来支持他们的基础设施、变得更加敏捷并降低成本。

关于亚马逊

亚马逊遵循四项原则：以客户为中心而非以竞争对手为中心、对发明的热情、对卓越运营的承诺以及长期思考。亚马逊努力成为地球上最以客户为中心的公司、地球上最好的雇主和地球上最安全的工作场所。客户评论、一键购物、个性化推荐、Prime、亚马逊物流、AWS、Kindle Direct Publishing、Kindle、Career Choice、Fire 平板电脑、Fire TV、亚马逊 Echo、Alexa、Just Walk Out 技术、亚马逊工作室和 The Climate承诺是亚马逊开创的一些东西。

点击咨询现在有哪些新兴平台值得关注 >>>

特别声明：以上文章内容仅代表作者本人观点，不代表ESG跨境电商观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与ESG跨境电商联系。