Machine Learning in AWS
Maschinelles Lernen in den Händen von Entwicklern und Datenwissenschaftlern
Bei Amazon investieren wir bereits seit 20 Jahren massiv in die Erforschung und Entwicklung künstlicher Intelligenzen. Algorithmen für maschinelles Lernen (ML) sind der Kern vieler unserer internen Systeme. Und sie stehen auch im Mittelpunkt der Kundenerfahrung – von der Wegeoptimierung in unseren Fulfillment-Zentren und der Empfehlungs-Engine auf Amazon.de bis hin zu Echo powered by Alexa, unserer Drohnenintiative Prime Air und unserem neuen Einzelhandelserlebnis Amazon Go. Das ist erst der Anfang. Es ist unsere Mission, unsere Erkenntnisse und Fähigkeiten im Bereich ML als komplett verwaltete Services anzubieten und sie jedem Entwickler und Datenwissenschaftler zugänglich zu machen.
Machine Learning in AWS?
Machine Learning für alle
API-gesteuerte ML-Services
Breite Framework-Unterstützung
Fülle an Datenverarbeitungsoptionen
Umfangreiche Plattformintegration
Umfangreiche Analysen
Sicher
Nutzungsabhängige Zahlung
Schnelles Trainieren und Bereitstellen von Modellen
Amazon SageMaker
Amazon SageMaker ermöglicht es Datenwissenschaftlern und Entwicklern, schnell und einfach ML-Modelle mit Hochleistungs-ML-Algorithmen, umfangreichem Framework-Support und Ein-Klick-Training, -Tuning und -Inferenz zu entwickeln, zu trainieren und bereitzustellen. Amazon SageMaker besitzt eine modulare Architektur, damit Sie einzelne oder alle Funktionen in Ihre bestehenden ML-Workflows integrieren können.
Praxiserfahrung mit AWS DeepLens
AWS DeepLens ist die weltweit erste Videokamera mit aktiviertem Deep Learning für Entwickler. AWS DeepLens ist in Amazon SageMaker und vielen anderen AWS-Services integriert und ermöglicht Ihnen den schnellen und einfachen Einstieg in das Thema "Deep Learning".
Eine neue Art zu Lernen
Mit AWS DeepLens können Entwickler auf jedem Kompetenzniveau dank Musterprojekten mit praktischen, praxisnahen Beispielen in weniger als 10 Minuten in die Materie des Deep Learning einsteigen.
Vollständig programmierbar
AWS DeepLens lässt sich mit AWS Lambda einfach anpassen und programmieren. Um schnelles Experimentieren zu ermöglichen, werden die Modelle auf DeepLens sogar als Teil einer AWS Lambda-Funktion ausgeführt.
Maßgeschneiderte Hardware für Deep Learning
AWS DeepLens ist eine physische High-Definition-Wireless-Videokamera mit speziell entwickelten, integrierten Datenverarbeitungsfunktionen, die dazu in der Lage ist, DL-Inferenz für fortschrittliche Modelle in Echtzeit auszuführen.
Maßgeschneidert für Deep Learning
DeepLens enthält eine vorinstallierte, optimierte Version von Apache MXNet. Sie können auf dem Gerät jedes DL-Framework ausführen, zum Beispiel TensorFlow und Caffe2.
API-gesteuerte Services versorgen jede Anwendung mit Intelligenz
Unsere intelligenten Services stellen Ihnen die Möglichkeit zum Hinzufügen von Intelligenz zu ihren Anwendungen durch API-Aufrufe an zuvor trainierte Services bereit, anstatt das Rad neu zu erfinden und die eigenen Modelle zu entwickeln und zu trainieren.
Vision-Services
Konversations-Chatbots
Sprach-Services
Gewinnen von Einblicken und Erkennen von Beziehungen in Texten
Entwickeln durchdachter Systeme mit beliebigem Framework
AWS unterstützt alle größeren Deep Learning-Frameworks, um Datenwissenschaftlern und Entwicklern eine möglichst offene und flexible Umgebung bereitzustellen.
Amazon Deep Learning-AMIs
Durch die AWS Deep Learning AMIs erhalten Sie die Infrastruktur und die Tools, mit denen Sie Ihre DL-Fähigkeiten in der Cloud verbessern können. Die AMIs sind mit Apache MXNet, TensorFlow, PyTorch, Microsoft Cognitive Toolkit (CNTK), Caffe, Caffe2, Theano, Torch, Gluon und Keras vorinstalliert, um komplexe, individuelle KI-Modelle zu trainieren. Mit den Deep Learning AMIs können Sie verwaltete, automatisch skalierende GPU-Cluster zum umfangreichen Trainieren erstellen. Alternativ können Sie damit auch Inferenz für trainierte Modelle mit CPU-Instances ausführen, die entweder auf Datenverarbeitung oder allgemein ausgelegt sind.
Gluon wird von AWS und Microsoft gemeinsam entwickelt und bietet eine klare, präzise API zum Definieren von ML-Modellen über eine Sammlung sofort verfügbarer, optimierter neuraler Netzwerkkomponenten. Entwickler, die gerade erst in ML einsteigen, sollten mit dieser Oberfläche leicht zurechtkommen, da sie typischem Code ähnelt und ML-Modelle, wie jede andere Datenstruktur auch, definiert und manipuliert werden können. Erfahrerene Datenwissenschaftler und -forscher werden die Funktionen zum schnellen Entwickeln von Prototypen und zum Nutzen dynamischer neuraler Netzwerkgraphen für komplett neue Modellarchitekturen, ohne dabei Trainingsgeschwindigkeit zu opfern, zu schätzen wissen.
Gluon ist ab heute in Apache MXNet und demnächst in einer neuen Version von Microsoft Cognitive Toolkit und weiteren Frameworks verfügbar.
Die richtige Datenverarbeitung für jeden Anwendungsfall
Maschinelles Lernen erfordert eine vielschichtige Reihe leistungsstarker Datenverarbeitungsoptionen: von GPUs für datenverarbeitungslastiges Deep Learning über FPGAs für spezialisierte Hardwarebeschleunigung bis hin zu High-Memory-Instances zum Ausführen von Inferenz. Amazon EC2 bietet eine große Auswahl von Instance-Typen, die für ML-Anwendungsfälle optimiert sind. Instance-Typen bestehen aus verschiedenen Kombinationen von CPU, Arbeitsspeicher, Speicher und Netzwerkfunktionen und bieten Ihnen die Flexibilität, den gewünschten Ressourcen-Mix auszuwählen, ob Sie nun Modelle trainieren oder Inferenz für trainierte Modelle ausführen.
GPU-Instances
P3-Instances bieten bis zu 14-mal bessere Leistung als Amazon EC2-GPU-Datenverarbeitungs-Instances der vorherigen Generation. Mit bis zu 8 NVIDIA Tesla V100 GPUs, erreichen P3-Instances bis zu ein Petaflop Mixed-Precision, 125 Teraflops Single-Precision und 62 Teraflops Double-Precision Floating Point Operations.
Leistungsstarke Datenverarbeitung
C5-Instances werden von skalierbaren 3,0 GHz Intel Xeon-Prozessoren unterstützt und gestatten dank Intel Turbo Boost-Technologie, dass ein einziger Kern mit bis zu 3,5 GHz läuft. C5-Instances bieten ein höheres Arbeitsspeicher-zu-vCPU-Verhältnis und ein 25 % besseres Preis-Leistungs-Verhältnis im Vergleich zu C4-Instances. Sie eignen sich ideal für anspruchsvolle Inferenz-Anwendungen.
FPGAs auf Anfrage
Amazon EC2 F1 ist eine Compute-Instance mit Field Programmable Gate Arrays (FPGAs), die Sie programmieren können, um benutzerdefinierte Hardwarebeschleunigungen für Ihre ML-Anwendungen zu erstellen. F1-Instances sind einfach zu programmieren und enthalten bereits alles, was Sie zum Entwickeln, Simulieren, Debuggen und Kompilieren Ihres Hardwarebeschleunigungs-Codes benötigen. Sie können die Designs beliebig oft und in beliebig vielen F1-Instances wiederverwenden.
Auf der umfangreichsten Plattform für Big Data aufbauen
Um ML erfolgreich umzusetzen, benötigen Sie nicht nur ML-Fähigkeiten, sondern auch den richtigen Datenspeicher, die richtige Sicherheit und die richtigen Analyse-Services, die Hand in Hand arbeiten.
Data-Lake-Services
Amazon S3
Amazon S3 ist ein Objektspeicher zum Speichern und Abrufen beliebiger Datenmengen aus allen Speicherorten. Es ist auf eine 99,999999999%ige Haltbarkeit ausgelegt und speichert Daten für Millionen von Anwendungen, die von Marktführern aus allen Branchen verwendet werden. S3 bietet umfassende Sicherheits- und Compliance-Funktionen, die selbst die strengsten rechtlichen Anforderungen erfüllen. Amazon S3 ist die am häufigsten unterstützte, verfügbare Speicherplattform mit dem größten Ökosystem an ISV-Lösungen und Systemintegratorpartnern.
AWS Glue
AWS Glue ist ein vollständig verwalteter ETL-Service (Extrahieren, Transformieren und Laden), der Kunden das Vorbereiten und Laden ihrer Daten zu Analysezwecken erleichtert. Sie können einen ETL-Auftrag mit nur wenigen Klicks in der AWS Management Console erstellen und ausführen. Indem Sie AWS Glue einfach auf Ihre in AWS gespeicherten Daten verweisen, werden Ihre Daten von der Anwendung erkannt und die zugehörigen Metadaten im AWS Glue-Datenkatalog gespeichert. Sie können Ihre Daten unmittelbar nach der Katalogisierung durchsuchen, abfragen und für ETL nutzen.
Analyse-Services
Amazon Athena
Amazon Athena ist ein interaktiver Abfrageservice, der die Analyse von Daten in Amazon S3 mit Standard-SQL erleichtert. Athena kommt ohne Server aus, deshalb gibt es auch keine Infrastruktur zu verwalten und Sie zahlen nur für die Abfragen, die Sie auch ausführen.
Amazon EMR
Mit AWS EMR können Sie schnell gewaltige Mengen nicht strukturierter Daten in dynamisch skalierbaren Clustern mit gängigen Frameworks wie Apache Spark, Presto, Hive und Pig verarbeiten.
Amazon Redshift
Amazon Redshift ist ein schnelles, vollständig verwaltetes Data Warehouse, mit dem Sie im Zusammenspiel mit Ihren vorhandenen Business Intelligence-Tools und mithilfe von Standard-SQL Petabyte an Daten einfach und kostengünstig analysieren können.
Amazon Redshift Spectrum
Mit Redshift Spectrum können Sie Amazon Redshift SQL-Abfragen gegen Exabyte voller Daten in Amazon S3 ausführen, um die analytische Leistungsfähigkeit von Amazon Redshift zur Abfrage gewaltiger Mengen nicht strukturierter Daten in Ihrem Amazon S3 "Data Lake" zu erweitern.
ML-Programme
Da Amazon jedem Entwickler, Datenwissenschaftler und Datenforscher ML-Funktionen verfügbar machen möchte, sind wir stolz darauf, Programme zur Förderung der Entwicklung von Lösungen, die auf ML basieren, anzubieten.
Amazon ML Solutions Lab
Im Amazon ML Solutions Lab kann Ihr Team mit den Amazon Machine Learning-Experten von Amazon zusammenarbeiten, um Daten vorzubereiten, Modelle zu entwickeln und zu trainieren und Modelle zu produzieren. Das Lab kombiniert praxisnahe, lehrreiche Workshops, Brainstorming-Sitzungen und professionelle Beratungsgespräche, damit Sie von Ihren Unternehmensherausforderungen ausgehend "rückwärts" bewegen und sich Schritt für Schritt durch den Prozess der Entwicklung einer ML-basierten Lösung arbeiten können. Am Ende des Programms können Sie die gesammelten Erfahrungen auch in anderen Teilen Ihres Unternehmens anwenden und mit ML-Chancen wahrnehmen.
Amazon ML Research Grants
Das AWS Machine Learning Research Awards-Programm finanziert Universitätsabteilungen, Lehrkörper, Doktoranden und Post-Doktoranden, die sich mit neuen Forschungen im Bereich "Maschinelles Lernen" (ML) beschäftigen.
Unser Ziel ist es, die Entwicklung innovativer Algorithmen, Veröffentlichungen und Quellcodes in vielen verschiedenen ML-Anwendungen und Schwerpunktbereichen zu beschleunigen. Ausgewählte Projekte erhalten uneingeschränkten Zugriff auf Geldspenden und AWS-Credits, die für beliebige Cloud-Services von Amazon genutzt werden können. Begünstigte profitieren außerdem von unseren Trainingsressourcen und erhalten die Möglichkeit, an einem jährlich stattfindenden Forschungsseminar in unserem Hauptquartier in Seattle teilzunehmen.
ML-Integrationen auf der AWS-Plattform
Maschinelles Lernen in AWS geht weit über die Services hinaus, die speziell zum Erstellen von ML-Anwendungen entwickelt wurden. Viele Services auf der Plattform nutzen ML, um die Funktionalität zu verbessern, die sie Ihnen bieten.
Amazon Connect
Amazon Connect, ein Call-Center in der Cloud, ist in Amazon Lex integriert, um Sprachagenten, genannt Chatbots, zu entwickeln, die automatisch eingehende Kunden-Support-Anfragen proaktiv lösen bzw. weiterleiten können.
Amazon Macie
Amazon Macie ist ein Sicherheitsservice, der auf Basis von Machine Learning automatisch vertrauliche Daten in AWS erkennt, klassifiziert und schützt. Macie bietet Ihnen Dashboards und Warnmeldungen, mit denen Sie sehen können, wie auf diese Daten zugegriffen wird bzw. wie sie verschoben werden, um nicht autorisierten Zugriff oder ungewollte Datenlecks zu vermeiden.
Erste Schritte mit maschinellem Lernen in AWS