（全球TMT2021年12月9日訊）2021年12月8日，亞馬遜云科技在2021 re:Invent全球大會上，宣布為行業(yè)領先的機器學習服務Amazon SageMaker推出六項新功能，讓機器學習更易于上手且更具成本效益。此次發(fā)布的強大新功能包括:無需編碼即可進行準確的機器學習預測，更精準的數(shù)據標記服務，可用于跨域協(xié)作的通用?Amazon SageMaker Studio notebook體驗、讓代碼更高效的機器學習模型訓練編譯器，為機器學習推理自動推薦計算實例，以及用于機器學習推理的無服務器計算。

Amazon SageMaker Canvas?無代碼機器學習預測：

Amazon SageMaker Canvas 為業(yè)務分析師（支持財務、市場、運營和人力資源團隊的業(yè)務員工）提供可視化界面，他們無需任何機器學習經驗，也不必編寫代碼，即可自行創(chuàng)建更準確的機器學習模型進行預測。越來越多的公司希望通過機器學習重塑其業(yè)務和客戶體驗，這就需要更多來自不同業(yè)務領域的員工使用先進的機器學習技術。然而，機器學習通常需要專業(yè)技能，獲得這些技能通常需要多年的正規(guī)教育或強化培訓，同時對應的課程難度大且不斷變化。Amazon SageMaker Canvas解決了這一挑戰(zhàn)，它通過提供一個可視化的、?點擊式的用戶界面，讓業(yè)務分析師可以輕松地生成預測?？蛻魧mazon SageMaker Canvas連接到他們的數(shù)據存儲（例如 Amazon Redshift、Amazon S3、Snowflake、本地數(shù)據存儲、本地文件等），Amazon SageMaker Canvas提供可視化工具，幫助客戶直觀地準備和分析數(shù)據。然后，客戶無需任何編碼，Amazon SageMaker Canvas使用自動機器學習來構建和訓練機器學習模型。為確保模型的準確性和有效性，業(yè)務分析師還可以在Amazon SageMaker Canvas的控制臺中查看和評估模型。Amazon SageMaker Canvas還支持客戶將模型導出到 Amazon SageMaker Studio，與數(shù)據科學家共享，進一步驗證和完善模型。

Amazon SageMaker Ground Truth Plus?專業(yè)數(shù)據標記：

Amazon SageMaker Ground Truth Plus 是一項完全托管的數(shù)據標記服務，為客戶提供內置的工作流程、技能嫻熟的團隊，以更低成本快速交付高質量的訓練數(shù)據集，用于訓練機器學習模型，客戶無需編碼。為了訓練更準確的模型并規(guī)?；瘷C器學習部署，客戶需要被正確標記的數(shù)據集越來越大。但是，要生成大型數(shù)據集可能需要數(shù)周甚至數(shù)年的時間，并且通常需要公司雇傭員工并創(chuàng)建工作流來管理標記數(shù)據的過程。 2018 年，亞馬遜云科技推出了 Amazon SageMaker Ground Truth，通過使用來自Amazon Mechanical Turk、第三方供應商或自有團隊的人工數(shù)據標注員的方式，幫助客戶更輕松的生成標記數(shù)據。Amazon SageMaker Ground Truth Plus 進一步擴展了這項功能，通過提供專業(yè)團隊為客戶提供高度準確的數(shù)據標簽。這些專業(yè)團隊不但擁有特定領域和行業(yè)專業(yè)知識，同時具有職業(yè)技能可滿足客戶對數(shù)據安全、隱私與合規(guī)等要求。 Amazon SageMaker Ground Truth Plus具有多步驟標記工作流程功能，可縮短標記數(shù)據集所需的時間并降低采購高質量注釋數(shù)據的成本，該功能包括機器學習模型預標記、檢測人工標記錯誤和低質量標簽的機器驗證，以及輔助標記功能（例如 3D 長方體捕捉、去除2D中的失真圖像、視頻標記中的預測和自動分割工具）?？蛻糁恍柘葘?Amazon SageMaker Ground Truth Plus 指向他們在 Amazon Simple Storage Service （Amazon S3）?中的數(shù)據源，并提供特定的標記要求（例如，醫(yī)學專家應如何標記肺部放射影像中的異常情況的說明）。 Amazon SageMaker Ground Truth Plus 隨后創(chuàng)建數(shù)據標記工作流程并提供控制面板，客戶可通過控制面板跟蹤數(shù)據注釋進度、檢查已完成標簽的樣本質量，并提供為生成高質量數(shù)據的反饋；該功能讓客戶可以更快地構建、訓練和部署高度準確的機器學習模型。

Amazon SageMaker Studio?通用notebook：

Amazon SageMaker Studio 的通用notebook（業(yè)界首個完整的機器學習集成開發(fā)環(huán)境）提供了一個統(tǒng)一的集成環(huán)境來執(zhí)行數(shù)據工程、數(shù)據分析和機器學習。如今，來自不同數(shù)據領域的團隊希望使用一系列涵蓋數(shù)據工程、數(shù)據分析和機器學習的工作流開展協(xié)作。這些領域的從業(yè)者通常來自數(shù)據工程、數(shù)據分析和數(shù)據科學等不同的知識領域，他們希望實現(xiàn)跨各種工作流工作，并無需切換數(shù)據相關工具。而當客戶準備集成數(shù)據分析和機器學習的數(shù)據時，通常需要處理多種工具和notebook，這一過程繁瑣、耗時且容易出錯。 Amazon SageMaker Studio 現(xiàn)支持客戶在一個通用notebook中，為實現(xiàn)多種目的而進行的交互方式訪問、轉換和分析各種數(shù)據。Amazon SageMaker Studio與在 Amazon EMR 集群上運行的 Spark、Hive 和?Presto，以及在 Amazon S3 上運行的數(shù)據湖均內置集成，客戶無需切換服務即可使用Amazon SageMaker Studio 訪問和操作通用notebook中的數(shù)據。客戶除了可以使用喜歡的框架（例如 TensorFlow、PyTorch 或 MXNet）開發(fā)機器學習模型，并在 Amazon SageMaker Studio 中構建、訓練和部署機器學習模型外；客戶無需離開通用Amazon SageMaker Studio notebook，可以一站式瀏覽和查詢數(shù)據源、探索元數(shù)據和模式，并處理數(shù)據分析或機器學習工作流相關的工作負載。

適用于機器學習模型的?Amazon SageMaker Training Compiler：

Amazon SageMaker Training Compiler 是一種新的機器學習模型編譯器，可自動優(yōu)化代碼提高計算資源的使用效率，并縮短訓練模型時間多達 50%。先進的深度學習模型通常是龐大而復雜的，訓練單個模型可能消耗數(shù)千小時的GPU計算時間，為此它們需要專門的計算實例來加速訓練。為了進一步縮短訓練時間，數(shù)據科學家會嘗試增加訓練數(shù)據或調整超參數(shù)（控制機器學習訓練過程的變量），找到性能最佳且資源消耗最少的模型版本。這項工作的技術復雜性致使數(shù)據科學家沒有時間優(yōu)化在 GPU 上運行訓練模型所需的框架。?Amazon SageMaker Training Compiler與 Amazon SageMaker 中的 TensorFlow 和 PyTorch 版本集成，這些版本經過優(yōu)化可在云中更高效地運行，因此數(shù)據科學家可以使用他們喜歡的框架，更高效得使用GPU訓練機器學習模型。只需單擊一下，Amazon SageMaker Training Compiler 就會自動優(yōu)化并編譯訓練好的模型，提高訓練執(zhí)行速度多達50%。

Amazon SageMaker Inference Recommender?自動實例選擇：

Amazon SageMaker Inference Recommender 幫助客戶自動選擇最佳計算實例和配置（例如實例數(shù)量、容器參數(shù)和模型優(yōu)化），運行其特定的機器學習模型推理。大型機器學習模型，通常用于自然語言處理或計算機視覺，選擇具有最佳性價比的計算實例是一個復雜的迭代過程，可能需要數(shù)周的實驗時間。?Amazon SageMaker Inference Recommender消除了運行一個模型應選擇哪種實例的不確定性和復雜性，通過自動推薦適合的計算實例配置，可將部署時間從數(shù)周縮短至幾小時。數(shù)據科學家使用 Amazon SageMaker Inference Recommender 可將模型部署到推薦的一個計算實例上，?或者使用該服務在一系列選定的計算實例上運行性能基準測試?？蛻艨梢栽?Amazon SageMaker Studio 中查看基準測試結果，并評估不同配置在延遲、吞吐量、成本、計算和內存等方面的利弊。

適用于機器學習模型的?Amazon SageMaker Serverless Inference：

使用Amazon SageMaker Serverless Inference，客戶僅需為生產中部署的機器學習模型推理按使用量付費。客戶使用機器學習時，希望能優(yōu)化成本，對于具有間歇性流量模式和長時間空閑的應用程序而言尤為重要。有些應用程序，如基于消費者購買的個性化推薦、接聽來電的聊天機器人以及基于實時交易的需求預測等，可能會受外部因素如天氣狀況、促銷的產品或節(jié)假日等影響出現(xiàn)波峰波谷。為機器學習推理提供合適的計算容量是一項艱難的、需要權衡多方面因素的工作。有時，為滿足峰值需求，客戶會過度配置容量，雖然實現(xiàn)了一致的性能，但在沒有流量時會浪費成本。有時，?客戶為控制成本而部署了不足夠的計算容量，在條件變化時卻無法提供足夠的算力來執(zhí)行推理。為了適應不斷變化的條件，一些客戶嘗試動態(tài)地手動調整計算資源，這是繁瑣且耗費精力的工作。用于機器學習的 Amazon SageMaker Serverless Inference 會根據推理請求的數(shù)量自動預置、擴展和關閉計算容量。當客戶將機器學習模型部署到生產中，只需在 Amazon SageMaker 中選擇無服務器部署選項，Amazon SageMaker Serverless Inference 就會管理計算資源并提供所需的精確計算量。通過Amazon SageMaker Serverless Inference，客戶無需管理底層基礎設施，且只需為每個請求使用的算力和處理的數(shù)據量付費。