Amazon SageMaker
Maschinelles Lernen für jeden Developer und Datenwissenschaftler.
Amazon SageMaker ermöglicht es jedem Developer und Datenwissenschaftler, Modelle für maschinelles Lernen schnell zu erstellen, zu trainieren und zu implementieren. Amazon SageMaker ist ein vollständig verwalteter Service, der den gesamten Workflow des maschinellen Lernens abdeckt. Er kennzeichnet und präpariert Ihre Daten, wählt einen Algorithmus aus, trainiert diesen Algorithmus, optimiert und passt ihn für die Bereitstellung an, trifft Voraussagen und ergreift Maßnahmen. Ihre Modelle können bei geringerem Aufwand und zu niedrigeren Kosten schneller in der Produktion bereitgestellt werden.
ERSTELLEN
Trainingsdaten erfassen und vorbereiten
Datenkennzeichnung und vorgefertigte Notebooks für gängige Probleme
Wählen und optimieren Sie Ihren ML-Algorithmus
Modell- und Algorithmus-Marketplace und integrierte, leistungsstarke Algorithmen
TRAINIEREN
Umgebungen für das Training einrichten und verwalten
One-Click-Training auf einer hochleistungsstarken Infrastruktur
Modell trainieren und abstimmen
Einmal trainieren, überall ausführen und Modelloptimierung
BEREITSTELLEN
Modell in der Produktion bereitstellen
Bereitstellung mit nur einem Mausklick
Produktionsumgebung skalieren und verwalten
Vollständig verwaltet, mit Auto Scaling für 75 % weniger
Vorgestellte Kunden
Trainingsdaten erfassen und vorbereiten
Trainingsdaten schnell kennzeichnen
Mit Amazon SageMaker Ground Truth können Sie im Handumdrehen höchst präzise Trainingsdatensätze erstellen und verwalten. Ground Truth bietet einen einfachen Zugriff auf öffentliche und private menschliche Kennzeichner und stellt ihnen vorgefertigte Workflows und Schnittstellen für gängige Kennzeichnungsaufgaben bereit. Darüber hinaus lernt Ground Truth von den menschlichen Kennzeichnern, hochwertige, automatische Anmerkungen bei deutlich geringeren Kennzeichnungskosten hinzuzufügen.
Weitere Informationen »
Gehostete Notebooks
Vollständig verwaltete Jupyter-Notebooks mit mehreren Dutzend vorgefertigten Workflows und
Beispielen, um Ihnen die Untersuchung und Visualisierung Ihrer Schulungsdaten zu vereinfachen.
Wählen und optimieren Sie Ihren Algorithmus für das maschinelle Lernen
Amazon SageMaker konfiguriert und optimiert automatisch TensorFlow, Apache MXNet, PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras und Gluon. Häufig verwendete Algorithmen für das maschinelle Lernen sind integriert und für Skalierbarkeit, Geschwindigkeit und Präzision abgestimmt. Mehr als hundert zusätzliche vorab trainierte Modelle und Algorithmen sind in AWS Marketplace verfügbar. Sie können auch einen anderen Algorithmus oder ein anderes Framework einbringen, indem Sie den Algorithmus bzw. das Framework in einen Docker-Container integrieren.
Umgebungen für das Training einrichten und verwalten
Training mit einem Klick
Beginnen Sie mit nur einem Mausklick, Ihr Modell zu trainieren. Amazon SageMaker verwaltet die gesamte zugrunde liegende Infrastruktur und kann für Datensätze in Petabyte-Größe ganz einfach skaliert werden.
Der ideale Ort für die Ausführung von TensorFlow
Die TensorFlow-Optimierungen von AWS ermöglichen eine beinahe lineare Skalierungseffizienz über mehrere Hundert GPUs für den Betrieb auf Cloud-Niveau ohne allzu hohen Verwaltungsaufwand, um präzisere, ausgereiftere Modelle in kürzerer Zeit zu trainieren.
Skalierungseffizienz mit 256 GPUs
Abstimmung und Optimierung Ihres Modells
Automatische Abstimmung Ihres Modells
Einmal trainieren, überall ausführen
Mit Amazon SageMaker Neo können Sie ein Modell einmal trainieren und es überall bereitstellen. Mit maschinellem Lernen optimiert SageMaker Neo automatisch jedes trainierte Modell, das mit einem gängigen Framework für die gewählte Hardwareplattform entwickelt wurde, ohne an Genauigkeit einzubüßen. Anschließend können Sie Ihr Modell auf EC2-Instances und SageMaker-Instances oder einem anderen Gerät mit der Neo-Laufzeit bereitstellen – auch auf AWS Greengrass-Geräten.
Modelle in der Produktion bereitstellen und verwalten
Mit nur einem Klick zur Produktion bereitstellen
Amazon SageMaker vereinfacht die Bereitstellung Ihres trainierten Modells in der Produktion mit nur einem Mausklick, sodass Sie unmittelbar beginnen können, Prognosen (sogenannte Inferenzen) für Echtzeit- oder Stapeldaten zu generieren. Ihr Modell wird auf einem Cluster aus Amazon SageMaker-Instances mit Auto Scaling ausgeführt, die über mehrere Availability Zones verteilt sind, um sowohl höchste Leistung als auch höchste Verfügbarkeit zu gewährleisten. Amazon SageMaker enthält außerdem integrierte A/B-Testfunktionen, mit denen Sie Ihr Modell testen und mit verschiedenen Versionen experimentieren können, um bestmögliche Ergebnisse zu erzielen.
Modelle am Edge ausführen
Mit AWS Greengrass können Sie Modelle, die mit Amazon SageMaker trainiert wurden, einfach auf Edge-Geräten für die Ausführung von Inferenzen bereitstellen. Mit AWS Greengrass können verbundene Geräte AWS Lambda-Funktionen ausführen, Gerätedaten synchronisiert halten und sicher mit anderen Geräten kommunizieren – auch ohne Verbindung zum Internet.
Senken Sie die Deep-Learning-Inferenzkosten um bis zu 75 Prozent, indem Sie mit Amazon Elastic Inference die elastische GPU-Beschleunigung einfach zu Ihren Amazon SageMaker-Instances hinzufügen. Für die meisten Modelle ist eine vollständige GPU-Instance für die Inferenz zu groß. Auch kann es schwierig sein, die GPU-, CPU- und Speicher-Anforderungen der Deep-Learning-Anwendung mit einem einzigen Instance-Typ zu optimieren. Mit Elastic Inference können Sie den Instance-Typ auswählen, der am besten zu den allgemeinen CPU- und Arbeitsspeicheranforderungen Ihrer Anwendung passt, und den richtigen Umfang der für die Inferenz benötigten GPU-Beschleunigung separat konfigurieren.
UNTERSTÜTZT
Kundenerfolg
“GE Healthcare ermöglicht Dienstleistern bessere Ergebnisse und revolutioniert so das Gesundheitswesen. Wir trainieren Computer-Vision-Modelle in Amazon SageMaker, die dann in unseren MRI- und Röntgengeräten bereitgestellt werden. Durch die Techniken des verstärkenden Lernens können wir die Größte unserer trainierten Modelle verkleinern und gleichzeitig die Ausgewogenheit zwischen Netzwerkkomprimierung und Modelpräzision erreichen. Mit Amazon SageMaker RL konnten wir den Zeitraum von der ersten Idee bis zur Implementierung auf weniger als vier Wochen verkürzen, indem wir die Schwierigkeiten eliminierten, die die Ausführung von Workloads des verstärkenden Lernens mit sich brachte.”
"In der NFL sind wir effizienter bei der Entwicklung von Metriken für das Next-Gen-Stats-Angebot, indem wir die AWS-Technologie nutzen. Machine Learning und andere Berechnungen, die Monate dauern könnten, um sie zu verfeinern, dauern Wochen oder Tage und ermöglichen es uns, den Fan auf neue und einzigartige Weise zu motivieren, zu informieren und zu begeistern."
"Hinter jeder Wischgeste bei Tinder versteckt sich ein System, das Millionen von Anfragen pro Minute, Milliarden von Wischgesten pro Tag und über mehr als 190 Länder hinweg verwaltet. Amazon SageMaker vereinfacht das Machine Learning, indem unsere Entwicklerteams bei der Erstellung von Modellen für Vorhersagen unterstützt werden. Diese Modelle stellen neue Verbindungen her, die ansonsten nicht möglich gewesen wären."
"Mit Amazon SageMaker können wir unsere Initiativen im Bereich der künstlichen Intelligenz in großem Maße beschleunigen, indem wir unsere Algorithmen auf der Plattform entwickeln und einsetzen. Wir erstellen neuartige, groß angelegte Machine Learning- und AI-Algorithmen und setzen diese auf der Plattform ein, um komplexe Probleme zu lösen und unsere Kunden erfolgreicher zu machen."
“Mit Amazon SageMaker RL ist das verteilte verstärkende Lernen jetzt einfach, skalierbar und kostengünstig. Wir entwerfen Proteine, indem wir moderne Tools für die Erkennung und Optimierung von Enzymen entwickeln. So gestalten wir auch die chemische Herstellung günstiger und umweltfreundlicher. Mit Amazon SageMaker RL können wir verschiedene Cluster mit unterschiedlichen Instance-Typen für das Trainieren und für Ausführungssimulationen verwenden. Dadurch wurde unser Entwicklungsverfahren effizienter und wir konnten die Kosten für die Ausführung von Workloads des verstärkenden Lernens deutlich senken. Dank dieser Fähigkeiten können wir die Möglichkeiten mit verstärkendem Lernen um mehrere Agenten erweitern.”
"Bei Hotels.com suchen wir stets nach neuen Möglichkeiten, schneller voranzukommen, die neuesten Technologien zu nutzen und innovativ zu bleiben. Amazon SageMaker, das verteilte Training, die optimierten Algorithmen und die integrierten Hyperparameter-Funktionen ermöglichten es meinem Team, genauere Modelle anhand unserer größten Datensätzen rasch zu erstellen, wodurch die geschätzte Zeit bis zur Überführung eines Modells in die Produktion reduziert werden konnte. Das wird einfach API-Aufruf genannt. Amazon SageMaker reduziert die Komplexität des Machine Learning deutlich und ermöglicht es uns, unseren Kunden ein besseres Erlebnis zu bieten – und das schnell."
Matt Frye, VP and Chief Data Science Officer bei Hotels.com und Expedia Affiliate Network
"Das Machine Learning in unsere Systeme und Praktiken einzubinden, ist eine großartige Möglichkeit, das Verständnis des Spiels für unsere Fans und die 30 Clubs auf ein ganz neues Niveau zu heben. Wir haben uns für AWS aufgrund ihrer Stärke, Tiefgründigkeit und bewährten Expertise bei der Bereitstellung von Machine-Learning-Services entschieden, um neue Möglichkeiten zu schaffen, um noch nie dagewesene Metriken zu teilen.”
Jason Gaedtke, Chief Technology Officer, Major League Baseball
Entwicklung für die Zukunft – mit vollständig verwaltetem verstärkenden Lernen
Entwickeln Sie mit verstärkendem Lernen ausgereifte Modelle, die auch ohne vorab gekennzeichnete Trainingsdaten bestimmte Ergebnisse erzielen können. Das verstärkende Lernen ist in Situationen hilfreich, in denen es keine "richtige" Antwort gibt, von der das Modell lernen kann, aber dafür ein optimales Ergebnis, z. B. ein Auto fahren zu können oder positive finanzielle Geschäfte abzuschließen. Die Algorithmen des verstärkenden Lernens lernen nicht von Verlaufsdaten. Stattdessen ergreifen sie Maßnahmen in einem Simulator, bei dem Belohnungen und Strafen das Modell zum gewünschten Verhalten führen.
Bei Amazon SageMaker RL sind vollständig verwaltete Algorithmen für das verstärkende Lernen integriert. SageMaker unterstützt verstärkendes Lernen in zahlreichen Frameworks, darunter TensorFlow und MXNet, sowie in benutzerdefinierten Frameworks, die von Grund auf für das verstärkende Lernen ausgelegt sind, wie Intel Coach oder Ray RLlib.
Amazon SageMaker RL unterstützt auch mehrere Umgebungen für das verstärkende Lernen, darunter 2D- und 3D-Physics-Umgebungen, kommerzielle Simulationsumgebungen wie MATLAB und Simulink und alle Umgebungen, die die Open-Source-Schnittstelle OpenAI Gym unterstützen, einschließlich benutzerdefinierter Umgebungen. Darüber hinaus ermöglicht SageMaker RL das Trainieren mit virtuellen 3D-Umgebungen, die mit Amazon Sumerian und AWS RoboMaker erstellt wurden. Sie können also für alle möglichen Lösungen ein Modell entwerfen – von Marketing- und Finanzsystemen bis hin zu industriellen Steuerungen, Robotern und autonomen Fahrzeugen.
Offen und flexibel
Maschinelles Lernen ganz individuell
Die Technologie für maschinelles Lernen entwickelt sich schnell weiter. Sie müssen flexibel bleiben und auf einen umfassenden Satz an Frameworks und Tools zugreifen können. Bei Amazon SageMaker können Sie die integrierten Container für jedes gängige Framework nutzen oder Ihr bevorzugtes Framework einbringen. In jedem Fall verwaltet Amazon SageMaker die gesamte zugrunde liegende Infrastruktur, die für die Entwicklung, das Trainieren und die Bereitstellung Ihrer Modelle erforderlich ist.
Bessere Edge-Leistung
Über das Open-Source-Projekt Neo sind die Funktionen von SageMaker Neo für alle Entwickler verfügbar. Unserer Ansicht nach ist es erforderlich, dass jeder überall Modelle ausführen kann, damit das volle Potenzial des maschinellen Lernens ausgeschöpft werden kann. Durch den Beitrag zur Open-Source-Arbeit können Hardwareanbieter Neo mit neuen Optimierungen verbessern und das gesamte Hardwareökosystem für maschinelles Lernen weiterentwickeln.
SageMaker passt zu Ihrem Workflow
Im Hintergrund besteht Amazon SageMaker aus separaten Komponenten: Ground Truth, Notebooks, Training, Neo und Hosting. Diese Komponenten sind auf Kompatibilität ausgelegt und bieten so einen umfassenden Service des maschinellen Lernens. Sie lassen sich aber auch unabhängig voneinander verwenden, um vorhandene Workflows des maschinellen Lernens zu erweitern oder Modelle zu unterstützen, die in Ihrem Rechenzentrum oder am Edge ausgeführt werden.
Lernen und beschleunigen
AWS DeepRacer
Ein vollständig autonomes Rennauto im Maßstab 1:18, das alles umfasst, was Sie über das verstärkende Lernen durch autonomes Fahren lernen müssen.
AWS DeepLens
Lernen Sie durch Projekte, Tutorials und realistische, praxisnahe Erprobung mehr über die Computer-Vision – mit der weltweit ersten Deep-Learning-fähigen Videokamera für Developer.
AWS-Schulungen und -Zertifizierung zu maschinellem Lernen
AWS Machine Learning University. Strukturierte Kurse zu maschinellem Lernen, die auf demselben Material basieren, mit dem Amazon-Developer durch die Kombination aus Grundlagenwissen und Praxisanwendung geschult werden.
Amazon ML Solutions Lab
Beim Amazon ML Solutions Lab werden Ihre Teammitglieder durch Amazon-Experten für maschinelles Lernen geschult. Das Lab kombiniert praxisnahe, lehrreiche Workshops, Brainstorming-Sitzungen und professionelle Beratungsgespräche, damit Sie sich von Ihren Unternehmensherausforderungen ausgehend "rückwärts" bewegen und sich Schritt für Schritt durch den Prozess von der Konzipierung eines Modells bis zur Bereitstellung in der Produktion arbeiten können. Anschließend können Sie die erworbenen Fähigkeiten und Kenntnisse überall im Unternehmen einsetzen, um zusätzliche Chancen zu ergreifen.