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(fā)環(huán)境，使開發(fā)人員能夠更輕松地構建、調試、訓練、部署、監(jiān)控和操作自定義機器學習模型。今天的公告為開發(fā)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(chuàng)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(fā)環(huán)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(guī)模運營的新挑戰(zhàn)，他們繼續(xù)向 AWS 提供有關他們的下一組挑戰(zhàn)”

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(shù)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(huán)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(shù)據(jù)集的 Amazon SageMaker Ground Truth、幫助開發(fā)人員使用稱為強化學習和 SageMaker Neo，它使開發(fā)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(fā)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(guī)模利用機器學習的愿望只會增加。

Amazon SageMaker 使開發(fā)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(yè)務的發(fā)展而成功發(fā)展需要在這些構建塊之間進行大量優(yōu)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(zhàn)并非機器學習所獨有，軟件開發(fā)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(jiān)控和分析，以幫助解決軟件開發(fā)人員面臨的挑戰(zhàn)。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(xiàn)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(jiān)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(fā)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(fā)人員能夠創(chuàng)建項目文件夾、組織筆記本和數(shù)據(jù)集，以及協(xié)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(jiān)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(chuàng)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(fā)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(fā)現(xiàn)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(fā)人員的工作站上，因此沒有簡單的方法來共享 notebook 和協(xié)作迭代。 Amazon SageMaker Notebooks 提供彈性 Jupyter 筆記本，允許開發(fā)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(fā)人員的工作。開發(fā)人員不再需要浪費時間關閉舊實例并在新實例中重新創(chuàng)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(huán)境和庫依賴項來實現(xiàn)筆記本的一鍵共享。這將使協(xié)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(xiàn)有工作的基礎上進行構建。
• 實驗管理： Amazon SageMaker Experiments 幫助開發(fā)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(fā)人員會產生數(shù)百個工件，例如模型、訓練數(shù)據(jù)和參數(shù)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?yún)?shù)、配置和結果來幫助開發(fā)人員管理這些迭代，并將它們存儲為“實驗”。開發(fā)者可以瀏覽活躍的實驗，根據(jù)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(fā)人員可以及時返回并檢查其工件。 Amazon SageMaker Experiments 使開發(fā)人員更容易更快地迭代和開發(fā)高質量模型。
• 調試和分析： Amazon SageMaker 調試器 允許開發(fā)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(yōu)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(fā)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(fā)人員解釋模型是如何工作的，這是朝著神經網(wǎng)絡可解釋性邁出的早期一步。
• 自動建模： Amazon SageMaker Autopilot 提供業(yè)界首個自動化機器學習功能，無需開發(fā)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(chuàng)建初始模型方面做得足夠好，但是對于開發(fā)人員來說，他們沒有關于模型是如何創(chuàng)建的或其中包含什么的數(shù)據(jù)。所以，如果模型是平庸的，而開發(fā)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(shù)據(jù)、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(jù)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(chuàng)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(jù)數(shù)據(jù)生成模型，或者經驗豐富的開發(fā)人員可以使用它來快速開發(fā)團隊可以進一步迭代的基線模型。 Amazon SageMaker Autopilot 還為開發(fā)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(fā)人員可以為他們的使用案例選擇最佳模型，并可以根據(jù)他們選擇優(yōu)化的因素進行考慮。
• 概念漂移檢測： Amazon SageMaker 模型監(jiān)視器 允許開發(fā)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(shù)據(jù)是否開始與用于訓練模型的數(shù)據(jù)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(jié)變化會影響對預測的設備維護計劃等的信心）。如果數(shù)據(jù)開始出現(xiàn)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(jiān)控器自動 檢測部署模型中的概念漂移。 Amazon SageMaker 模型監(jiān)視器 在訓練期間創(chuàng)建一組關于模型的基線統(tǒng)計數(shù)據(jù)，并將用于進行預測的數(shù)據(jù)與訓練基線進行比較。 Amazon SageMaker 模型監(jiān)視器 在檢測到漂移時提醒開發(fā)人員并幫助他們直觀地確定根本原因。開發(fā)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(jiān)視器編寫自己的規(guī)則 監(jiān)視。 Amazon SageMaker 模型監(jiān)視器 使開發(fā)人員更容易調整訓練數(shù)據(jù)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(guī)模運營的新挑戰(zhàn)，他們繼續(xù)向 AWS 提供有關他們的下一組挑戰(zhàn)，”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(fā)人員更輕松地構建、訓練、解釋、檢查、監(jiān)控、調試和運行自定義機器學習模型。多年來，軟件開發(fā)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(fā)人員無法使用它們來構建機器學習模型。今天，通過這些發(fā)布，我們首次將這些概念帶給機器學習開發(fā)人員。”

Autodesk 是為建筑、工程/施工、產品設計和制造行業(yè)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(chuàng)作自由。衍生式設計技術可以產生數(shù)百個符合設計標準的優(yōu)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(fā)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(huán)、節(jié)省寶貴的數(shù)據(jù)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?！?/p>

Change Healthcare 是一家領先的獨立醫(yī)療保健技術公司，提供數(shù)據(jù)和分析驅動的解決方案，以改善美國醫(yī)療保健系統(tǒng)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(yī)療保健提供者合作，以消除醫(yī)療保健索賠處理中的低效問題。我們經常從我們的醫(yī)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(fā)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(jiān) 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(xiàn)了發(fā)布里程碑。此外，SageMaker Debugger 正在幫助我們更深入地了解張量，實現(xiàn)彈性模型訓練，幫助使用規(guī)則掛鉤實時檢測不一致，并調整模型參數(shù)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(xiàn)在能夠共同定位數(shù)據(jù)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(xù)工作INVISTA 分析和云主管 Tanner Gonzalez 說：“這讓我們能夠節(jié)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(xiàn)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(yè)的研究自動化開發(fā)模型、軟件和智能代理。 “我們使用 Amazon SageMaker 訓練我們的藥物發(fā)現(xiàn)模型和合成生物學模擬模型，新功能幫助我們系統(tǒng)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(fā)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(shù)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(shù)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(wǎng)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(shù)據(jù)庫、網(wǎng)絡、分析、機器人、機器學習和人工智能 (AI)、物聯(lián)網(wǎng) (IoT)、移動、安全、混合、虛擬和增強現(xiàn)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(fā)、部署和管理，來自 22 個地理區(qū)域內的 69 個可用區(qū) (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(qū)和 4 個 AWS 區(qū)域。數(shù)以百萬計的客戶（包括發(fā)展最快的初創(chuàng)公司、最大的企業(yè)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(fā)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(xiàn)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(fā)表后的30日內與ESG跨境電商聯(lián)系。