亚马逊云AWS宣布其ML平台SageMaker的九个主要更新

站长之家（ChinaZ.com）12月11日 消息:在今年的re:Invent会议上，亚马逊云AWS宣布了旗下基于云的机器学习平台SageMaker九个主要更新。SageMaker旨在提供一种机器学习服务，该服务可用于构建，训练和部署几乎所有用例的ML模型。

在会议上，AWS亚马逊机器学习副总裁Swami Sivasubramanian说:

“成千上万的开发人员和数据科学家已经使用我们行业领先的机器学习服务Amazon SageMaker来构建，训练和部署自定义机器学习模型。拥有像SageMaker这样的被广泛采用的服务的最好的部分之一就是，我们得到了很多客户建议，这些建议推动了我们下一代新产品的开发。

今天，我们发布了一套适用于Amazon SageMaker的工具，使开发人员可以更轻松地构建端到端机器学习通道，以准备，构建，训练，解释，检查，监视，调试和运行自定义机器学习模型，使其具有更强大，容易分析和大规模的自动化。”

SageMaker主要更新内容

第一个更新是Data Wrangler，该功能旨在自动为机器学习准备数据。Data Wrangler使客户可以从各种数据存储中选择所需的数据，然后单击即可导入。其中包括300多个内置数据转换器，可帮助客户在无需编写任何代码的情况下进行标准化，转换和组合功能。

第二个更新是Feature Store。Amazon SageMaker Feature Store提供了一个新的存储库，可轻松存储，更新，检索和共享机器学习功能以进行培训和推理。

Feature Store旨在克服存储映射到多个模型要素的问题。专门的功能库可帮助开发人员访问和共享，从而使开发人员和数据科学家团队之间更容易命名，组织，查找和共享功能集。由于它位于SageMaker Studio中，AWS声称它提供了毫秒级别的推理延迟。

SageMaker Pipelines，亚马逊声称是针对机器学习的第一个专门构建的，易于使用的持续集成和持续交付（CI / CD）服务。

开发人员可以定义端到端机器学习工作流程的每个步骤，包括数据加载步骤，Amazon SageMaker Data Wrangler的转换，Amazon SageMaker Feature Store中存储的功能，培训配置和算法设置，调试步骤以及优化步骤。 。

考虑到正在进行的事件， SageMaker Clarify可能是AWS本周最重要的功能之一。

Clarify旨在开发人员在机器学习工作流程中提供偏差检测，能够在其ML模型中建立更大的公平性和透明度。开发人员可以使用集成的解决方案来快速尝试并应对模型中的任何偏差，而不必使用通常耗时的开源工具。

适用于Amazon SageMaker的Deep Profiling，可自动监视系统资源利用率，并在任何检测到的培训瓶颈需要的地方提供警报。该功能可跨框架（PyTorch，Apache MXNet和TensorFlow）使用，并自动收集系统和培训指标，而无需在培训脚本中进行任何代码更改。

Data Parallelism引擎，通过自动在多个GPU之间分割数据，将培训工作从单个GPU扩展到成百上千，从而将培训时间缩短了40%。

Edge Manager帮助开发人员优化，保护，监视和维护部署在边缘设备群上的ML模型。除了帮助优化ML模型和管理边缘设备外，Edge Manager还提供以下功能:对模型进行加密签名，将来自设备的预测数据上传到SageMaker以进行监视和分析，以及查看仪表板，该仪表板跟踪并提供有关操作的可视报告。

JumpStart为开发人员提供了一个易于使用的可搜索界面，以查找同类最佳的解决方案，算法和示例笔记本。开发人员可以从几个端到端的机器学习模板中进行选择，并将其直接部署到他们的SageMaker Studio环境中。

亚马逊云不断改进SageMaker，在过去的一年中已经提供了50多种新功能。