SageMaker Fitur Amazon

SageMaker Obrolan kanvas untuk persiapan data membantu Anda membuat alur persiapan data menggunakanLLMs.

Code Editor memperluas Studio sehingga Anda dapat menulis, menguji, men-debug, dan menjalankan analisis dan kode pembelajaran mesin Anda di lingkungan berdasarkan Visual Studio Code - Open Source (“Code- OSS “).

SageMaker telah mengganti kernel default dengan NCCL kernel yang dioptimalkan inferensi untuk meningkatkan GPU pemanfaatan dan menawarkan kinerja yang membedakan. OSS

SageMaker Inferensi memberikan pengalaman pengembang dan abstraksi antarmuka pengguna untuk membantu Anda memulai lebih cepat dengan penerapan model.

SageMaker pelanggan sekarang dapat meningkatkan pemanfaatan instans komputasi mereka yang dipercepat dengan menerapkan hingga ribuan model ke SageMaker titik akhir dengan throughput terjamin dan auto-scaling berdasarkan per model.

SageMaker Distribusi adalah kumpulan gambar Docker yang dirancang untuk pembelajaran mesin, ilmu data, dan analisis data. Gambar tersedia di Studio, Studio Lab, notebook Studio, dan Github.

Pengalaman orientasi SageMaker domain Amazon yang disederhanakan dan dipandu dengan kemampuan baru untuk pengguna tunggal dan administrator organisasi. Kemampuannya mencakup integrasi Pusat IAM Identitas langsung, manajemen kebijakan akses berbutir halus, manajemen dan konfigurasi SageMaker aplikasi yang mulus, serta konfigurasi penyimpanan. VPC

Amazon S3 Express One Zone adalah kelas penyimpanan baru yang menyediakan akses milidetik satu digit untuk aplikasi yang paling sensitif terhadap latensi. Amazon S3 Express One Zone memungkinkan pelanggan untuk mengumpulkan penyimpanan objek mereka dan menghitung sumber daya dalam satu AWS Availability Zone, mengoptimalkan kinerja komputasi dan biaya dengan peningkatan kecepatan pemrosesan data.

Foundation model evaluations (FMEval) membantu Anda mengukur risiko penyediaan konten yang tidak akurat, beracun, atau bias dengan model bahasa Anda sehingga Anda dapat memilih yang terbaik untuk kasus penggunaan Anda. Bawa dataset kustom Anda sendiri atau gunakan built-in untuk mengevaluasi model bahasa apa pun. FMEvalterintegrasi dengan puluhan model pondasi berbasis teks JumpStart atau bawa sendiri. Anda juga dapat membuat evaluasi yang disesuaikan menggunakan FMEval pustaka.

SageMaker HyperPod adalah kemampuan SageMaker yang menyediakan lingkungan pembelajaran mesin yang selalu aktif pada cluster tangguh sehingga Anda dapat menjalankan beban kerja pembelajaran mesin apa pun untuk mengembangkan model pembelajaran mesin besar seperti model bahasa besar () dan model difusi. LLMs

Jupyter AI dan Code Whisperer telah dimasukkan ke Distribusi. SageMaker Dengan pembaruan ini, pengguna Studio atau Code Editor dapat dengan mudah menggunakan AI generatif dari notebook mereka dan memanfaatkan fitur penyelesaian kode Code Whisperer.

JupyterLab di Studio meningkatkan latensi dan keandalan untuk Studio Notebook

SageMaker Pekerjaan Notebook menyediakan SDK dukungan untuk pekerjaan notebook sehingga Anda dapat menjadwalkan pekerjaan notebook Anda secara terprogram.

SageMaker Pipelines memberi Anda opsi untuk mengonversi kode pembelajaran mesin lokal Anda menjadi langkah SageMaker Pipeline, dari mana Anda dapat membuat dan menjalankan pipeline.

SageMaker smart sifting adalah kemampuan SageMaker Pelatihan yang meningkatkan efisiensi kumpulan data pelatihan Anda dan mengurangi total waktu dan biaya pelatihan.

Studio adalah pengalaman berbasis web terbaru untuk menjalankan alur kerja ML. Studio menawarkan serangkaianIDEs, termasuk Editor Kode, aplikasi Jupyterlab baruRStudio, dan Studio Classic.

Bangun, latih, dan terapkan model ML menggunakan data geospasial.

Layanan Auto ML yang memberikan orang-orang tanpa pengalaman coding kemampuan untuk membangun model dan membuat prediksi dengan mereka.

Lingkungan pembelajaran mesin terintegrasi tempat Anda dapat membangun, melatih, menyebarkan, dan menganalisis semua model Anda dalam aplikasi yang sama.

Layanan gratis yang memberi pelanggan akses ke sumber daya AWS komputasi di lingkungan berdasarkan sumber terbuka JupyterLab.

Lingkungan pengembangan terintegrasi untuk R, dengan konsol, editor penyorotan sintaks yang mendukung eksekusi kode langsung, dan alat untuk merencanakan, riwayat, debugging, dan manajemen ruang kerja.

Bangun alur kerja yang diperlukan untuk tinjauan manusia terhadap prediksi ML. Amazon A2I membawa tinjauan manusia ke semua pengembang, menghilangkan beban berat yang tidak terdiferensiasi yang terkait dengan membangun sistem tinjauan manusia atau mengelola sejumlah besar pengulas manusia.

Buat pekerjaan AutoML untuk melatih model secara otomatis di Pipelines.

Pengguna tanpa pengetahuan pembelajaran mesin dapat dengan cepat membangun model klasifikasi dan regresi.

Praproses kumpulan data, jalankan inferensi saat Anda tidak memerlukan titik akhir yang persisten, dan kaitkan catatan input dengan kesimpulan untuk membantu interpretasi hasil.

Tingkatkan model pembelajaran mesin Anda dengan mendeteksi potensi bias dan membantu menjelaskan prediksi yang dibuat model.

Ruang bersama terdiri dari JupyterServer aplikasi bersama dan direktori bersama. Semua profil pengguna dalam SageMaker domain Amazon memiliki akses ke semua ruang bersama di domain.

Impor, analisis, siapkan, dan featurisasi data di SageMaker Studio. Anda dapat mengintegrasikan Data Wrangler ke dalam alur kerja pembelajaran mesin Anda untuk menyederhanakan dan merampingkan pra-pemrosesan data dan rekayasa fitur menggunakan sedikit atau tanpa pengkodean. Anda juga dapat menambahkan skrip dan transformasi Python Anda sendiri untuk menyesuaikan alur kerja persiapan data Anda.

Berinteraksi dengan data Anda, dapatkan visualisasi, jelajahi wawasan yang dapat ditindaklanjuti, dan perbaiki masalah kualitas data.

Periksa parameter dan data pelatihan selama proses pelatihan. Secara otomatis mendeteksi dan memperingatkan pengguna untuk kesalahan yang umum terjadi seperti nilai parameter menjadi terlalu besar atau kecil.

Optimalkan model khusus untuk perangkat edge, buat dan kelola armada dan jalankan model dengan runtime yang efisien.

Manajemen dan pelacakan eksperimen. Anda dapat menggunakan data yang dilacak untuk merekonstruksi eksperimen, secara bertahap membangun eksperimen yang dilakukan oleh rekan kerja, dan melacak garis keturunan model untuk kepatuhan dan verifikasi audit.

Toko terpusat untuk fitur dan metadata terkait sehingga fitur dapat dengan mudah ditemukan dan digunakan kembali. Anda dapat membuat dua jenis toko, toko Online atau Offline. Toko Online dapat digunakan untuk latensi rendah, kasus penggunaan inferensi real-time dan Toko Offline dapat digunakan untuk pelatihan dan inferensi batch.

Kumpulan data pelatihan berkualitas tinggi dengan menggunakan pekerja bersama dengan pembelajaran mesin untuk membuat kumpulan data berlabel.

Fitur pelabelan data turnkey untuk membuat kumpulan data pelatihan berkualitas tinggi tanpa harus membangun aplikasi pelabelan dan mengelola tenaga kerja pelabelan sendiri.

Dapatkan rekomendasi tentang jenis dan konfigurasi instance inferensi (misalnya jumlah instans, parameter kontainer, dan pengoptimalan model) untuk menggunakan model dan beban kerja MLmu.

Evaluasi setiap perubahan pada infrastruktur yang melayani model Anda dengan membandingkan kinerjanya dengan infrastruktur yang saat ini digunakan.

Pelajari tentang SageMaker fitur dan kemampuan melalui solusi 1-klik yang dikurasi, contoh buku catatan, dan model terlatih yang dapat Anda terapkan. Anda juga dapat menyempurnakan model dan menerapkannya.

Lacak garis keturunan alur kerja pembelajaran mesin.

Membuat dan mengelola pipa pembelajaran mesin yang terintegrasi langsung dengan SageMaker pekerjaan.

Dokumentasikan informasi tentang model ML Anda di satu tempat untuk tata kelola dan pelaporan yang efisien di seluruh siklus hidup ML.

Ikhtisar visual yang dibuat sebelumnya dari semua model di akun Anda. Dasbor Model mengintegrasikan informasi dari SageMaker Model Monitor, mengubah pekerjaan, titik akhir, pelacakan garis keturunan, CloudWatch sehingga Anda dapat mengakses informasi model tingkat tinggi dan melacak kinerja model dalam satu tampilan terpadu.

Memantau dan menganalisis model dalam produksi (titik akhir) untuk mendeteksi penyimpangan data dan penyimpangan dalam kualitas model.

Pembuatan versi, pelacakan artefak dan garis keturunan, alur kerja persetujuan, dan dukungan lintas akun untuk penerapan model pembelajaran mesin Anda.

Latih model pembelajaran mesin sekali, lalu jalankan di mana saja di cloud dan di tepi.

Jalankan notebook SageMaker Studio Anda sebagai pekerjaan terjadwal yang tidak interaktif.

Menganalisis dan memproses data sebelumnya, menangani rekayasa fitur, dan mengevaluasi model.

Buat solusi end-to-end ML dengan CI/CD dengan menggunakan SageMaker proyek.

Maksimalkan imbalan jangka panjang yang diterima agen sebagai hasil dari tindakannya.

Administrator dapat menentukan izin hak istimewa terkecil untuk aktivitas MLM umum menggunakan peran berbasis persona kustom dan yang telah dikonfigurasi sebelumnya. IAM

Opsi endpoint tanpa server untuk menghosting model ML Anda. Secara otomatis menskalakan kapasitas untuk melayani lalu lintas titik akhir Anda. Menghapus kebutuhan untuk memilih jenis instance atau mengelola kebijakan penskalaan pada titik akhir.

Ekstensi Git untuk memasukkan repositori Git, mengkloningnya ke lingkungan Anda, mendorong perubahan, dan melihat riwayat komit. URL

SageMaker Notebook generasi berikutnya yang mencakup integrasi AWS IAM Identity Center (IAMIdentity Center), waktu start-up yang cepat, dan berbagi sekali klik.

Temukan, sambungkan, buat, hentikan, dan kelola EMR klaster Amazon dengan mudah dalam konfigurasi akun tunggal dan lintas akun langsung dari Studio. SageMaker

Latih model pembelajaran mendalam lebih cepat pada GPU instance skalabel yang dikelola oleh. SageMaker