AWS 宣布推出六项新的 Amazon SageMaker 功能，包括第一个用于机器学习的完全集成的开发环境 (IDE) (Am-ESG跨境

西雅图--今天在 AWS re:Invent 大会上，Amazon.com 旗下公司（纳斯达克股票代码：AMZN）宣布了六项新的 Amazon SageMaker 功能，包括 Amazon SageMaker Studio，这是第一个完全用于机器学习的集成开发环境，使开发人员能够更轻松地构建、调试、训练、部署、监控和操作自定义机器学习模型。今天的公告为开发人员提供了强大的新工具，例如弹性笔记本、实验管理、自动模型创建、调试和分析以及模型漂移检测，并将它们封装在第一个完全集成的机器学习开发环境 (IDE) Amazon SageMaker Studio 中。要开始使用 Amazon SageMaker，请访问： 。

“随着成千上万的客户使用 Amazon SageMaker 来消除构建、培训和部署自定义机器学习模型的障碍，他们也遇到了大规模运营的新挑战，他们继续向 AWS 提供有关他们的下一组挑战”

Amazon SageMaker 是一项完全托管的服务，可以消除机器学习过程中每个步骤的繁重工作。数以万计的客户使用 Amazon SageMaker 来帮助加速他们的机器学习部署，包括 ADP、AstraZeneca、Avis、Bayer、British Airways、Cerner、Convoy、Emirates NBD、Gallup、Georgia-Pacific、GoDaddy、Hearst、Intuit、LexisNexis、Los洛杉矶快船队、NuData（万事达卡公司）、松下航空电子、环球邮报和 T-Mobile。自推出以来，AWS 定期向 Amazon SageMaker 添加新功能，仅在去年就提供了 50 多项新功能，包括用于构建高度准确的带注释训练数据集的 Amazon SageMaker Ground Truth、帮助开发人员使用称为强化学习和 SageMaker Neo，它使开发人员能够训练一次算法并部署在任何硬件上。这些功能已帮助更多开发人员构建自定义机器学习模型。但是，正如 Amazon SageMaker 消除了采用机器学习的障碍一样，客户大规模利用机器学习的愿望只会增加。

Amazon SageMaker 使开发出色机器学习模型的许多构建块步骤变得更加容易。但很多时候，构建真正伟大的模型并随着业务的发展而成功发展需要在这些构建块之间进行大量优化，并且需要了解哪些工作或不工作以及为什么工作。这些挑战并非机器学习所独有，软件开发通常也是如此。然而，在过去的几十年中，已经构建了许多工具，如 IDE，有助于测试、调试、部署、监控和分析，以帮助解决软件开发人员面临的挑战。但由于其相对不成熟，这些相同的工具根本不存在于机器学习中——直到现在。

今天的公告包括重要的功能，使客户能够更轻松地构建、训练、解释、检查、监控、调试和运行自定义机器学习模型：

• 机器学习 IDE： Amazon SageMaker Studio 将用于机器学习的所有组件集中在一个地方。就像 IDE 一样，开发人员可以在 Amazon SageMaker Studio 中查看和组织他们的源代码、依赖项、文档和其他应用程序资产（例如用于移动应用程序的图像）。今天，机器学习工作流程有很多组件，其中许多都带有自己的一套工具，这些工具在今天是分开存在的。 Amazon SageMaker Studio IDE 为今天宣布的所有 Amazon SageMaker 功能和整个机器学习工作流程提供单一界面。 Amazon SageMaker Studio 使开发人员能够创建项目文件夹、组织笔记本和数据集，以及协作讨论笔记本和结果。 Amazon SageMaker Studio 使从单个界面构建、训练、解释、检查、监控、调试和运行机器学习模型变得更简单、更快捷。
• 弹性笔记本： Amazon SageMaker Notebooks 提供具有弹性计算的一键式 Jupyter 笔记本，可以在几秒钟内启动。笔记本包含运行或重新创建机器学习工作流所需的一切。在今天之前，要查看或运行笔记本，开发人员需要在 Amazon SageMaker 中启动一个计算实例来为笔记本提供动力。如果他们发现他们需要更多的计算能力，他们必须启动一个新实例、转移笔记本并关闭旧实例。而且，由于 notebook 与计算实例耦合，并且 notebook 通常存在于开发人员的工作站上，因此没有简单的方法来共享 notebook 和协作迭代。 Amazon SageMaker Notebooks 提供弹性 Jupyter 笔记本，允许开发人员轻松调高或调低为笔记本提供动力的计算量（包括 GPU 加速），更改会在后台自动进行，而不会中断开发人员的工作。开发人员不再需要浪费时间关闭旧实例并在新实例中重新创建所有工作。这样可以更快地开始构建模型。 Amazon SageMaker Notebooks 还将通过自动复制特定环境和库依赖项来实现笔记本的一键共享。这将使协作构建模型变得更加容易，因为工程师将能够轻松地将他们的工作提供给其他工程师，以便他们在现有工作的基础上进行构建。
• 实验管理： Amazon SageMaker Experiments 帮助开发人员组织和跟踪机器学习模型的迭代。机器学习通常需要多次迭代，旨在隔离和测量更改特定输入的增量影响。在这些迭代过程中，开发人员会产生数百个工件，例如模型、训练数据和参数设置。如今，他们不得不依靠电子表格等繁琐的机制来跟踪这些实验，并手动对这些工件进行分类，以了解它们对实验的影响。 Amazon SageMaker 实验 通过自动捕获输入参数、配置和结果来帮助开发人员管理这些迭代，并将它们存储为“实验”。开发者可以浏览活跃的实验，根据特征搜索之前的实验，查看之前的实验结果，直观地比较实验结果。而且，Amazon SageMaker Experiments 还保留了完整的实验谱系，因此如果模型开始偏离其预期结果，开发人员可以及时返回并检查其工件。 Amazon SageMaker Experiments 使开发人员更容易更快地迭代和开发高质量模型。
• 调试和分析： Amazon SageMaker 调试器 允许开发人员调试和分析模型训练，以提高准确性、减少训练时间并促进对机器学习模型的更好理解。今天，训练过程在很大程度上是不透明的，训练时间可能很长且难以优化，“黑匣子”效应使得模型难以解释和解释。借助 Amazon SageMaker Debugger，在 Amazon SageMaker 中训练的模型会自动发出关键指标，这些指标会被收集并在 Amazon SageMaker Studio 中或通过 Amazon SageMaker Debugger 的 API。这些指标提供有关训练准确性和性能的实时反馈。当检测到训练问题时，Amazon SageMaker 调试器 提供警告和补救建议。 Amazon SageMaker 调试器 还可以帮助开发人员解释模型是如何工作的，这是朝着神经网络可解释性迈出的早期一步。
• 自动建模： Amazon SageMaker Autopilot 提供业界首个自动化机器学习功能，无需开发人员放弃对其模型的控制和可见性。今天的自动化机器学习方法在创建初始模型方面做得足够好，但是对于开发人员来说，他们没有关于模型是如何创建的或其中包含什么的数据。所以，如果模型是平庸的，而开发人员想要改进它，他们就不走运了。此外，今天的自动机器学习服务只为客户提供一种简单的模型。有时客户愿意做出取舍，例如牺牲一个模型版本的一点准确性，以换取做出更低延迟预测的变体，但鉴于客户只有一个模型可供选择，因此没有这样的选择. Amazon SageMaker Autopilot 自动检查原始数据、应用特征处理器、选择最佳算法集、训练多个模型、调整它们、跟踪它们的性能，然后根据性能对模型进行排名——只需单击几下即可。结果是对客户可以部署的最佳性能模型的推荐，但只需要通常训练它所需的时间和精力的一小部分，并且可以完全了解模型的创建方式和其中的内容。缺乏机器学习经验的人可以使用 Amazon SageMaker Autopilot 轻松地仅根据数据生成模型，或者经验丰富的开发人员可以使用它来快速开发团队可以进一步迭代的基线模型。 Amazon SageMaker Autopilot 还为开发人员提供了多达 50 种不同的模型，可以在 Amazon SageMaker Studio 中进行检查，因此开发人员可以为他们的使用案例选择最佳模型，并可以根据他们选择优化的因素进行考虑。
• 概念漂移检测： Amazon SageMaker 模型监视器 允许开发人员检测和修复概念漂移。今天，影响生产中部署模型准确性的一大因素是，用于生成预测的数据是否开始与用于训练模型的数据不同（例如，不断变化的经济条件推动新利率影响购房预测，不同温度、湿度和气压的季节变化会影响对预测的设备维护计划等的信心）。如果数据开始出现差异，则可能导致概念漂移，从而模型用于进行预测的模式不再适用。 Amazon SageMaker 模型监控器自动 检测部署模型中的概念漂移。 Amazon SageMaker 模型监视器 在训练期间创建一组关于模型的基线统计数据，并将用于进行预测的数据与训练基线进行比较。 Amazon SageMaker 模型监视器 在检测到漂移时提醒开发人员并帮助他们直观地确定根本原因。开发人员可以使用 Amazon SageMaker Model Monitor 的 开箱即用的功能来立即检测漂移，或者他们可以为 Amazon SageMaker 模型监视器编写自己的规则 监视。 Amazon SageMaker 模型监视器 使开发人员更容易调整训练数据或算法以适应概念漂移。

“随着成千上万的客户使用 Amazon SageMaker 来消除构建、培训和部署自定义机器学习模型的障碍，他们也遇到了大规模运营的新挑战，他们继续向 AWS 提供有关他们的下一组挑战，”AWS 亚马逊机器学习副总裁 Swami Sivasubramanian 说。 “今天，我们宣布推出一组工具，让开发人员更轻松地构建、训练、解释、检查、监控、调试和运行自定义机器学习模型。多年来，软件开发人员已经知道并使用其中许多概念来构建、测试和维护软件。但是，开发人员无法使用它们来构建机器学习模型。今天，通过这些发布，我们首次将这些概念带给机器学习开发人员。”

Autodesk 是为建筑、工程/施工、产品设计和制造行业的客户提供软件的全球领导者。 Autodesk 的软件产品包括 AutoCAD（绘图软件）和 BIM 360（用于项目交付和施工文档管理的云平台）。 “在 Autodesk，我们利用机器学习来增强我们的设计和制造解决方案，从而为我们的客户提供更大程度的创作自由。衍生式设计技术可以产生数百个符合设计标准的优化解决方案，”Autodesk 机器学习工程师 Alexander Carlson 说。 “使用机器学习，我们开发了一种新的过滤器，可以识别和分组具有相似视觉特征的结果，从而更容易找到最佳选择。这个视觉相似度过滤器将始终适应它所观察的内容，从而更容易、更有效地找到完美的设计。 Amazon SageMaker Debugger 通过帮助关闭反馈循环、节省宝贵的数据科学家时间并将培训时间减少 75% 以上，让我们能够更有效地迭代此模型。”

Change Healthcare 是一家领先的独立医疗保健技术公司，提供数据和分析驱动的解决方案，以改善美国医疗保健系统的临床、财务和患者参与结果。 “在 Change Healthcare，我们一直在与我们的医疗保健提供者合作，以消除医疗保健索赔处理中的低效问题。我们经常从我们的医疗保健提供者那里收到标签不可读的索赔表格，并且手动修复这些表格会增加索赔解决过程的时间和成本。我们开发了一种多层深度学习模型，可以将标签从良好的形式叠加到不可读的形式中，”Change Healthcare 人工智能工程高级总监 Jayant Thomas 说。 “Amazon SageMaker 调试器通过快速迭代帮助我们提高了模型的准确性，从而帮助我们实现了发布里程碑。此外，SageMaker Debugger 正在帮助我们更深入地了解张量，实现弹性模型训练，帮助使用规则挂钩实时检测不一致，并调整模型参数以提高准确性。”

英威达是世界领先的综合纤维、树脂和中间体公司。 “Amazon SageMaker 中的新服务为我们在 INVISTA 带来了巨大的好处。借助 Amazon SageMaker Studio，我们现在能够共同定位数据科学任务。我们的团队无需管理许多单独的资源，而是可以轻松地继续工作INVISTA 分析和云主管 Tanner Gonzalez 说：“这让我们能够节省管理基础设施和存储库的时间，并帮助我们减少将算法和分析项目部署到生产中的时间。”Amazon SageMaker Experiments 帮助我们使用模型跟踪。以前，我们会在不同的地方跟踪和保存模型工件，但是我们无法查看整个实验，而且我们经常会丢失信息。使用 SageMaker Experiments，我们现在有任何简单的界面来管理实验，获得一个“

SyntheticGestalt 是一家应用机器学习公司，为制药和其他生命科学行业的研究自动化开发模型、软件和智能代理。 “我们使用 Amazon SageMaker 训练我们的药物发现模型和合成生物学模拟模型，新功能帮助我们系统地管理和评估我们的实验结果。为了深入了解实验的性能，我们的研究人员必须保持一致的实验设置和模型结果，”SyntheticGestalt Ltd. 首席技术官 Kotaro Kamiya “随着 Amazon SageMaker 的最新发布，包括 Amazon SageMaker Studio 和 Amazon SageMaker Experiments 等功能，我们可以以 2 倍的速度确定最佳实验设置，最终加速我们生产改变生命的候选分子的能力。 SageMaker 帮助我们的研究人员轻松比较数千个实验设置；他们只需一步就能完成以前耗费我们研究人员数小时时间的工作。以前，我们只能将 100 个实验设置相互比较，而 Amazon SageMaker Experiments 完全消除了这一限制，因此我们可以不受限制地专注于实验设计。”

关于亚马逊网络服务

13 年来，Amazon Web Services 一直是世界上最全面、应用最广泛的云平台。 AWS 为计算、存储、数据库、网络、分析、机器人、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）提供超过 165 项功能齐全的服务)、媒体和应用程序开发、部署和管理，来自 22 个地理区域内的 69 个可用区 (AZ)，并宣布计划在印度尼西亚、意大利、南非和西班牙再增加 13 个可用区和 4 个 AWS 区域。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。客户评论、一键购物、个性化推荐、Prime、亚马逊物流、AWS、Kindle Direct Publishing、Kindle、Fire 平板电脑、Fire TV、亚马逊 Echo 和 Alexa 是亚马逊率先推出的一些产品和服务。

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。