Amazon SageMaker の機能

SageMaker データ準備用の Canvas チャットは、 を使用してデータ準備フローを作成するのに役立ちますLLMs。

Code Editor は Studio を拡張し、Visual Studio Code - Open Source (「Code-」) に基づいて、環境で分析コードと機械学習コードを記述、テスト、デバッグ、実行できるようにしますOSS。

SageMaker は、デフォルトのNCCLカーネルを推論最適化カーネルに置き換えて、GPU使用率を向上させ、 とパフォーマンスを区別しますOSS。

SageMaker 推論は、デベロッパーエクスペリエンスとユーザーインターフェイスの抽象化を提供し、モデルのデプロイをより迅速に開始できるようにします。

SageMaker のお客様は、モデルごとにスループットと自動スケーリングが保証された SageMaker エンドポイントに最大数千のモデルをデプロイすることで、高速コンピューティングインスタンスの使用率を向上させることができます。

SageMaker ディストリビューションは、機械学習、データサイエンス、データ分析用に設計された Docker イメージのコレクションです。イメージは Studio、Studio Lab、Studio ノートブック、Github で利用できます。

単一ユーザーと組織管理者向けの新機能による、シンプルでガイド付きの Amazon SageMaker ドメインオンボーディングエクスペリエンス。この機能には、IAMIdentity Center の直接統合、きめ細かなアクセスポリシー管理、シームレスな SageMaker アプリケーション管理と設定、VPCおよびストレージ設定が含まれます。

Amazon S3 Express One Zone は、レイテンシーの影響を受けやすいアプリケーションに 1 桁ミリ秒のアクセスを提供する新しいストレージクラスです。Amazon S3 Express One Zone を使用すると、お客様はオブジェクトストレージとコンピューティングリソースを 1 つの にまとめることができます。 AWS アベイラビリティーゾーン。データ処理速度の向上により、コンピューティングパフォーマンスとコストの両方を最適化します。

基盤モデル評価 (FMEval) は、不正確、有害、またはバイアスのあるコンテンツを言語モデルに提供するリスクを定量化し、ユースケースに最適なコンテンツを選択できるようにします。独自のカスタムデータセットを使用するか、組み込みの を使用して任意の言語モデルを評価します。FMEval は、 JumpStart または独自の の数十のテキストベースの基盤モデルと統合されています。FMEval ライブラリを使用してカスタマイズされた評価を作成することもできます。

SageMaker HyperPod は、回復力のあるクラスターで常時稼働 SageMaker の機械学習環境を提供する の一機能で、任意の機械学習ワークロードを実行して、大規模言語モデル (LLMs) や拡散モデルなどの大規模機械学習モデルを開発できます。

Jupyter AI と Code Whisperer が SageMaker ディストリビューションに含まれています。この更新により、Studio または Code Editor のユーザーはノートブックから生成 AI を簡単に使用でき、Code Whisperer のコード補完機能を利用できます。

JupyterLab Studio の は Studio ノートブックのレイテンシーと信頼性を改善

SageMaker ノートブックジョブはノートブックジョブSDKをサポートしているため、ノートブックジョブをプログラムでスケジュールできます。

SageMaker Pipelines には、ローカル機械学習コードを SageMaker パイプラインステップに変換するオプションがあり、そこからパイプラインを作成して実行できます。

SageMaker スマートサイビングは、 SageMaker トレーニングデータセットの効率を向上させ、トレーニングの合計時間とコストを削減するトレーニングの一機能です。

Studio は、ML ワークフローを実行するための最新のウェブベースのエクスペリエンスです。Studio は、コードエディタIDEs、新しい Jupyterlab アプリケーション、、Studio Classic などRStudio、 のスイートを提供します。

地理空間データを使用して ML モデルを構築、トレーニング、デプロイします。

コーディング経験のないユーザーに、モデルを構築しそれを使って予測を行う機能を提供する自動 ML サービス。

統合された機械学習環境。この環境では、モデルの構築、トレーニング、デプロイ、分析をすべて同じアプリケーションで行うことができます。

顧客が にアクセスできるようにする無料サービス AWS は、オープンソースの に基づいて環境内の リソースをコンピューティングします JupyterLab。

コンソール、直接コード実行をサポートする構文強調表示エディタ、プロット、履歴、デバッグ、ワークスペース管理のためのツールを備えた R 向けの統合開発環境です。

ML 予測の人間によるレビューに必要なワークフローを構築します。Amazon A2I は、人間によるレビューのシステム構築や人間によるレビューの多数の担当者の管理に伴う画一的で面倒な作業を取り除き、すべてのデベロッパーが人間によるレビューが行えるようにします。

パイプラインでモデルを自動的にトレーニングする AutoML ジョブを作成します。

機械学習の知識を持たないユーザーでも、分類モデルと回帰モデルをすばやく構築できます。

データセットを事前処理し、永続的なエンドポイントが不要なときに推論を実行し、入力レコードを推論に関連付けて結果の解釈を支援します。

潜在的なバイアスの検出によって機械学習モデルを改善し、モデルが作成する予測を説明するのに役立ちます。

共有スペースは、共有 JupyterServer アプリケーションと共有ディレクトリで構成されます。Amazon SageMaker ドメイン内のすべてのユーザープロファイルは、ドメイン内のすべての共有スペースにアクセスできます。

SageMaker Studio でデータをインポート、分析、準備、特徴化します。Data Wrangler を機械学習ワークフローに統合して、コーディングをほとんどまたはまったく使わずにデータの前処理と特徴エンジニアリングを簡素化および合理化できます。独自の Python スクリプトと変換を追加してデータの事前ワークフローをカスタマイズすることもできます。

データを操作し、視覚化し、実用的なインサイトを探索して、データ品質の問題を修正します。

トレーニングプロセス全体を通して、トレーニングパラメータとデータを検査します。パラメータ値が大きすぎたり小さすぎたりするなど、一般的に発生するエラーを自動的に検出し、ユーザーに警告します。

エッジデバイスのカスタムモデルを最適化し、フリートの作成および管理を行い、効率的なランタイムでモデルを実行します。

スループットを高速化し、リアルタイムの推論を取得する際のレイテンシーを短縮します。

実験の管理と追跡。追跡されたデータを使用して実験を再構築し、ピアによって実施された実験を段階的に構築できるほか、コンプライアンスと監査の検証のためにモデル系統をトレースできます。

特徴の検出と再利用を容易にする、特徴と関連メタデータの一元管理ストア。2 種類のストア (オンラインストアまたはオフラインストア) を作成できます。オンラインストアは低レイテンシーのリアルタイム推論のユースケースに、オフラインストアはトレーニングやバッチ推論に使用されます。

ワーカーと機械学習を使用して、ラベル付きデータセットを作成する高品質のトレーニングデータセット。

ターンキーデータラベリング機能により、ラベリングアプリケーションを構築したり、ラベリングワークフォースを自分で管理したりすることなく、高品質のトレーニングデータセットを作成できます。

ML モデルとワークロードを使用するための推論インスタンスタイプと構成 (インスタンス数、コンテナパラメータ、モデルの最適化など) に関する推奨事項を取得します。

現在デプロイされているインフラストラクチャのパフォーマンスと比較して、モデルを提供するインフラストラクチャへの変更を評価します。

厳選されたワンクリックソリューション、サンプルノートブック、デプロイできる事前トレーニング済みモデルを通じて、 SageMaker 機能と機能について説明します。モデルを微調整してデプロイすることもできます。

機械学習ワークフローの系統を追跡します。

ジョブと SageMaker直接統合された機械学習パイプラインを作成および管理します。

ML モデルに関する情報を 1 か所に文書化して、ML ライフサイクル全体にわたってガバナンスとレポートを合理化します。

アカウント内すべてのモデルの視覚的な概要が事前に構築されています。Model Dashboard は、 SageMaker Model Monitor、変換ジョブ、エンドポイント、系統追跡、および からの情報を統合 CloudWatch するため、1 つの統合ビューで高レベルのモデル情報にアクセスし、モデルのパフォーマンスを追跡できます。

本番環境のモデル (エンドポイント) を監視および分析して、データドリフトとモデル品質の偏差を検出します。

機械学習モデルのデプロイに対するバージョニング、アーティファクトと系統の追跡、承認ワークフロー、クロスアカウントのサポート。

機械学習モデルを一度トレーニングすれば、クラウド内およびエッジ内の任意の場所で実行できます。

SageMaker Studio ノートブックを非インタラクティブでスケジュールされたジョブとして実行します。

データの分析と前処理、特徴エンジニアリングへの取り組み、モデルの評価を行います。

SageMaker プロジェクトを使用して CI/CD で end-to-end ML ソリューションを作成します。

エージェントがその行動の結果として受け取る長期的な報酬を最大化します。

管理者は、カスタムおよび事前設定されたペルソナベースのIAMロールを使用して、一般的な ML アクティビティの最小特権のアクセス許可を定義できます。

ML モデルをホストするためのサーバーレスエンドポイントオプション。エンドポイントトラフィックを処理するために容量を自動的にスケールします。エンドポイントでインスタンスタイプを選択したり、スケーリングポリシーを管理したりする必要がなくなります。

Git リポジトリURLの を入力し、環境にクローンし、変更をプッシュして、コミット履歴を表示する Git 拡張機能。

を含む次世代の SageMaker ノートブック AWS IAM Identity Center （IAM Identity Center) の統合、起動時間の短縮、シングルクリック共有。

SageMaker Studio から直接、単一アカウントおよびクロスアカウント設定で Amazon EMRクラスターを簡単に検出、接続、作成、終了、管理できます。

によって管理されるスケーラブルなGPUインスタンスで、深層学習モデルを迅速にトレーニングします SageMaker。