0
| 本文作者： 李菁瑛 | 2020-12-14 18:42 |
機(jī)器學(xué)習(xí)是人工智能的重要分支，機(jī)器學(xué)習(xí)從誕生之日起發(fā)展到今天已經(jīng)走過(guò)了20多年的時(shí)間。如今，人工智能和機(jī)器學(xué)習(xí)已經(jīng)成為新一代信息技術(shù)的典型代表，一個(gè)好的算法模型的產(chǎn)生，離不開(kāi)機(jī)器學(xué)習(xí)。
作為機(jī)器學(xué)習(xí)領(lǐng)域的倡導(dǎo)者和領(lǐng)先企業(yè)，AWS曾于2017年11月推出Amazon SageMaker 機(jī)器學(xué)習(xí)平臺(tái)服務(wù)。據(jù)了解，Amazon SageMaker 是一項(xiàng)完全托管的服務(wù)，可以幫助機(jī)器學(xué)習(xí)開(kāi)發(fā)者和數(shù)據(jù)科學(xué)家快速構(gòu)建、訓(xùn)練和部署模型。Amazon SageMaker 完全消除了機(jī)器學(xué)習(xí)過(guò)程中各個(gè)步驟的繁重工作，讓開(kāi)發(fā)高質(zhì)量模型變得更加輕松。
它推出短短三年時(shí)間，已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域最受歡迎的服務(wù)之一，使用客戶達(dá)上萬(wàn)家，包括3M、ADP、阿斯利康、Avis、拜耳、Bundesliga、Capital One、Cerner、Chick-fil-A、Convoy、達(dá)美樂(lè)比薩、富達(dá)投資、GE醫(yī)療、Georgia-Pacific、赫斯特、iFood、iHeartMedia、摩根大通、Intuit、聯(lián)想、Lyft、國(guó)家橄欖球聯(lián)盟、Nerdwallet、T-Mobile、湯森路透、Vanguard等等。盡管如此，AWS仍會(huì)每年新增一些新的功能和工具，不斷延展服務(wù)的寬度和深度。
在Gartner發(fā)布的2020年云上AI開(kāi)發(fā)者服務(wù)魔力象限中，AWS被評(píng)為領(lǐng)導(dǎo)者， Amazon SageMaker 是其中不可或缺的一部分。
在12月9日的re:Invent大會(huì)上，AWS 人工智能副總裁 Swami Sivasubramanian 發(fā)表了機(jī)器學(xué)習(xí)主題演講，并宣布 AWS 為其機(jī)器學(xué)習(xí)服務(wù) Amazon SageMaker 推出九項(xiàng)新的功能。
這九項(xiàng)新功能可以使開(kāi)發(fā)人員更容易自動(dòng)化、規(guī)?；臉?gòu)建端到端的機(jī)器學(xué)習(xí)工作流。
以下是Swami的演講內(nèi)容和新功能介紹，雷鋒網(wǎng)進(jìn)行了不改變?cè)獾恼恚?/strong>
今天的發(fā)布匯集了多項(xiàng)強(qiáng)大的新功能，包括更易用的數(shù)據(jù)預(yù)處理、專用的特征存儲(chǔ)、自動(dòng)化工作流、更多的訓(xùn)練數(shù)據(jù)可見(jiàn)性以減少數(shù)據(jù)傾斜和更好的預(yù)測(cè)解釋、大型模型的分布式訓(xùn)練速度可最多提升兩倍，以及監(jiān)控邊緣設(shè)備上的模型。
機(jī)器學(xué)習(xí)日益成為主流，但它仍在快速發(fā)展。隨著機(jī)器學(xué)習(xí)受到廣泛關(guān)注，機(jī)器學(xué)習(xí)模型的創(chuàng)建似乎應(yīng)該很簡(jiǎn)單，但事實(shí)并非如此。為了創(chuàng)建一個(gè)模型，開(kāi)發(fā)人員需要先準(zhǔn)備數(shù)據(jù)，而數(shù)據(jù)準(zhǔn)備是重度依賴人工手動(dòng)工作的。然后，他們將數(shù)據(jù)可視化以進(jìn)行數(shù)據(jù)探索，選擇合適的算法和框架，訓(xùn)練模型，調(diào)整和優(yōu)化模型訓(xùn)練參數(shù)，部署模型，并監(jiān)控其性能。這個(gè)過(guò)程需要不斷重復(fù)，才能確保模型在一段時(shí)間內(nèi)的表現(xiàn)符合預(yù)期。
在過(guò)去，只有最熟練的開(kāi)發(fā)人員才能開(kāi)展機(jī)器學(xué)習(xí)相關(guān)的工作。然而，Amazon SageMaker的出現(xiàn)，改變了這一現(xiàn)狀。
AWS 在過(guò)去一年已經(jīng)交付了 50 多項(xiàng) Amazon SageMaker 的新功能。在此基礎(chǔ)上，今天的發(fā)布使得開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家更容易準(zhǔn)備、構(gòu)建、訓(xùn)練、部署和管理機(jī)器學(xué)習(xí)模型。
機(jī)器學(xué)習(xí)的數(shù)據(jù)準(zhǔn)備是一個(gè)復(fù)雜的過(guò)程。這種復(fù)雜在于：用于訓(xùn)練機(jī)器學(xué)習(xí)模型的數(shù)據(jù)字段（也稱為特征）通常來(lái)自不同的來(lái)源，并且格式多樣。這意味著開(kāi)發(fā)人員必須花費(fèi)相當(dāng)多的時(shí)間提取和規(guī)范這些數(shù)據(jù)?？蛻粢部赡芟Ｍ麑⑻卣鹘M合成復(fù)合特征，以向機(jī)器學(xué)習(xí)模型提供更多有用的輸入。
例如，客戶可能希望創(chuàng)建一個(gè)復(fù)合特征來(lái)描述一組經(jīng)常消費(fèi)的客戶，結(jié)合以前購(gòu)買(mǎi)的項(xiàng)目、消費(fèi)金額和購(gòu)買(mǎi)頻率等特征，為他們提供會(huì)員獎(jiǎng)勵(lì)。將數(shù)據(jù)轉(zhuǎn)化為特征的工作稱為特征工程，在構(gòu)建機(jī)器學(xué)習(xí)模型流程中要消耗開(kāi)發(fā)人員大量的時(shí)間。Amazon SageMaker Data Wrangler 從根本上簡(jiǎn)化了數(shù)據(jù)準(zhǔn)備和特征工程的工作。通過(guò) Amazon SageMaker Data Wrangler，客戶可以從各種數(shù)據(jù)存儲(chǔ)中選擇他們想要的數(shù)據(jù)，并一鍵導(dǎo)入。
Amazon SageMaker Data Wrangler 包含超過(guò) 300 個(gè)內(nèi)置的數(shù)據(jù)轉(zhuǎn)換器，可以幫助客戶在無(wú)需編寫(xiě)任何代碼的情況下，對(duì)特征進(jìn)行規(guī)范化、轉(zhuǎn)換和組合?？蛻艨梢酝ㄟ^(guò)在 Amazon SageMaker Studio（首個(gè)用于機(jī)器學(xué)習(xí)的端到端集成開(kāi)發(fā)環(huán)境）中查看這些轉(zhuǎn)換，快速預(yù)覽和檢查這些轉(zhuǎn)換是否符合預(yù)期。特征設(shè)計(jì)出來(lái)之后，Amazon SageMaker Data Wrangler 會(huì)把它們保存在 Amazon SageMaker Feature Store 中，以供重復(fù)使用。
Amazon SageMaker Feature Store 提供了一個(gè)新的存儲(chǔ)庫(kù)，可以輕松地存儲(chǔ)、更新、檢索和共享用于訓(xùn)練和推理的機(jī)器學(xué)習(xí)特征。當(dāng)前，客戶可以將他們的特征保存到Amazon Simple Storage Service（Amazon S3）。如果只是簡(jiǎn)簡(jiǎn)單單把一組特征用于一個(gè)模型，這種做法是可行的。但實(shí)際情況是，大多數(shù)特征并不是只用于一個(gè)模型，而是被多個(gè)開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家重復(fù)用于多個(gè)模型中。當(dāng)創(chuàng)建了新的特征時(shí)，開(kāi)發(fā)人員也希望能夠重復(fù)使用這些特征。這樣就導(dǎo)致需要管理多個(gè) Amazon S3 對(duì)象，并將變得越來(lái)越難以管理。
開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家試圖使用電子表格、筆記和電子郵件來(lái)解決這個(gè)問(wèn)題。他們甚至要嘗試開(kāi)發(fā)一個(gè)應(yīng)用程序來(lái)跟蹤管理特征，但這個(gè)工作量很大，而且容易出錯(cuò)。此外，開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家不僅需要使用這些相同的特征和所有可用的數(shù)據(jù)來(lái)訓(xùn)練多個(gè)模型，這個(gè)過(guò)程可能耗時(shí)長(zhǎng)達(dá)幾個(gè)小時(shí)，而且還需要在推理時(shí)使用這些特征，這需要在幾毫秒內(nèi)返回預(yù)測(cè)結(jié)果，并且往往只使用相關(guān)特征的一個(gè)子集。例如，開(kāi)發(fā)人員可能希望創(chuàng)建一個(gè)預(yù)測(cè)播放列表中下一首最佳歌曲的模型。要做到這一點(diǎn)，開(kāi)發(fā)人員要在數(shù)千首歌曲上訓(xùn)練模型，然后在推理過(guò)程中向模型提供最后播放的三首歌曲，以預(yù)測(cè)下一首歌曲。訓(xùn)練和推理是非常不同的使用場(chǎng)景。
在訓(xùn)練過(guò)程中，模型可以離線、批量地訪問(wèn)特征，對(duì)于推理，模型需要實(shí)時(shí)的訪問(wèn)特征子集。由于機(jī)器學(xué)習(xí)模型使用一樣的特征源，并且需要保持?jǐn)?shù)據(jù)的一致性，然而這兩種不同的訪問(wèn)模式，使得開(kāi)發(fā)者不容易保持特征的一致性和更新的及時(shí)性。Amazon SageMaker Feature Store 解決了這一問(wèn)題，它提供了一個(gè)專門(mén)構(gòu)建的特征庫(kù)，供開(kāi)發(fā)人員訪問(wèn)和共享特征，使開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家團(tuán)隊(duì)容易協(xié)調(diào)特征的命名、組織、查找和共享。Amazon SageMaker Feature Store 集成在 Amazon SageMaker Studio 中，它可以為推理提供單毫秒級(jí)的低延遲訪問(wèn)。Amazon SageMaker Feature Store 使得開(kāi)發(fā)人員可以簡(jiǎn)單方便地組織和更新用于訓(xùn)練的大批量特征，以及用于推理的小批量特征子集。這樣，就為機(jī)器學(xué)習(xí)模型提供了一致的特征視圖，降低生成模型的難度，并提供高精度的預(yù)測(cè)。
Amazon SageMaker Pipelines 是第一個(gè)專門(mén)為機(jī)器學(xué)習(xí)構(gòu)建的、易于使用的 CI/CD（持續(xù)集成和持續(xù)交付）服務(wù)?？蛻粼谔卣鞴こ讨锌梢园l(fā)現(xiàn)，機(jī)器學(xué)習(xí)包含的多個(gè)步驟都可以受益于編排和自動(dòng)化。這與傳統(tǒng)的編程并無(wú)二致。在傳統(tǒng)編程中，客戶有 CI/CD 等工具幫助他們更快地開(kāi)發(fā)和部署應(yīng)用程序。然而，目前的機(jī)器學(xué)習(xí)中很少使用 CI/CD 工具，因?yàn)橐礇](méi)有這樣的工具，要么難以設(shè)置、配置和管理。
借助 Amazon SageMaker Pipelines，開(kāi)發(fā)人員可以定義端到端機(jī)器學(xué)習(xí)工作流的每一步。這些工作流包括數(shù)據(jù)加載步驟、用 Amazon SageMaker Data Wrangler 做轉(zhuǎn)換、在 Amazon SageMaker Feature Store 保存特征、訓(xùn)練配置及算法設(shè)置、調(diào)試步驟，以及優(yōu)化步驟。通過(guò) Amazon SageMaker Pipelines，開(kāi)發(fā)人員可以輕松地從 Amazon SageMaker Studio 使用相同的設(shè)置重復(fù)運(yùn)行端到端工作流，，每次都能獲得完全相同的模型，或者，他們可以定期使用新數(shù)據(jù)重新運(yùn)行工作流，更新模型。每次運(yùn)行工作流時(shí)，Amazon SageMaker Pipelines 都會(huì)記錄 Amazon SageMaker Experiments（Amazon SageMaker 的一項(xiàng)功能，用于組織和跟蹤機(jī)器學(xué)習(xí)實(shí)驗(yàn)和模型版本）中的每個(gè)步驟。這有助于開(kāi)發(fā)人員可視化并進(jìn)行機(jī)器學(xué)習(xí)模型的迭代、訓(xùn)練參數(shù)和結(jié)果比較。
借助 Amazon SageMaker Pipelines，工作流可以在團(tuán)隊(duì)之間共享和重復(fù)使用，既可以重新創(chuàng)建模型，也可以作為一個(gè)通過(guò)新的特征、算法或優(yōu)化改進(jìn)模型的起點(diǎn)。
Amazon SageMaker Clarify 在整個(gè)機(jī)器學(xué)習(xí)工作流中提供偏差檢測(cè)，使開(kāi)發(fā)人員能夠在其模型中實(shí)現(xiàn)更大的公平性和更高的透明度。一旦開(kāi)發(fā)人員為訓(xùn)練和推理準(zhǔn)備了數(shù)據(jù)，就需要盡量確保數(shù)據(jù)沒(méi)有統(tǒng)計(jì)偏差，并且模型預(yù)測(cè)是透明的，以便可以解釋模型特征是如何預(yù)測(cè)的。
如今，開(kāi)發(fā)人員有時(shí)會(huì)嘗試使用開(kāi)源工具檢測(cè)數(shù)據(jù)中的統(tǒng)計(jì)偏差，但這些工具需要大量的人工編程的工作，而且經(jīng)常容易出錯(cuò)。借助 Amazon SageMaker Clarify，開(kāi)發(fā)人員現(xiàn)在可以更輕松地檢測(cè)整個(gè)機(jī)器學(xué)習(xí)工作流中的統(tǒng)計(jì)偏差，并為其機(jī)器學(xué)習(xí)模型所做的預(yù)測(cè)提供解釋。Amazon SageMaker Clarify 已集成到 Amazon SageMaker Data Wrangler，它運(yùn)行了一系列基于特征數(shù)據(jù)的算法，用以識(shí)別數(shù)據(jù)準(zhǔn)備過(guò)程中的偏差，并且清晰描述可能的偏差來(lái)源及其嚴(yán)重程度。這樣，開(kāi)發(fā)人員就可以采取措施來(lái)減小偏差。
Amazon SageMaker Clarify 還與 Amazon SageMaker Experiments 集成，使開(kāi)發(fā)人員更容易地檢查訓(xùn)練好的模型是否存在統(tǒng)計(jì)偏差。它還詳細(xì)說(shuō)明了輸入到模型中的每個(gè)特征是如何影響預(yù)測(cè)的。最后，Amazon SageMaker Clarify 與 Amazon SageMaker Model Monitor（Amazon SageMaker 的一項(xiàng)功能，可持續(xù)監(jiān)控正式使用中的機(jī)器學(xué)習(xí)模型的質(zhì)量）集成，一旦模型特征的重要性發(fā)生偏移，導(dǎo)致模型預(yù)測(cè)質(zhì)量發(fā)生改變，它就會(huì)提醒開(kāi)發(fā)人員。
Deep Profiling for Amazon SageMaker Debugger 能夠自動(dòng)監(jiān)控系統(tǒng)資源利用率，為訓(xùn)練瓶頸提供告警，以方便開(kāi)發(fā)者更快地訓(xùn)練模型。當(dāng)前，開(kāi)發(fā)人員沒(méi)有一個(gè)標(biāo)準(zhǔn)的監(jiān)控系統(tǒng)利用率的方法（例如 GPU、CPU、網(wǎng)絡(luò)吞吐量和內(nèi)存 I/O）以識(shí)別和排除訓(xùn)練作業(yè)中的瓶頸。因此，開(kāi)發(fā)人員無(wú)法以最快的速度、最高的成本效益來(lái)訓(xùn)練模型。
Amazon SageMaker Debugger 通過(guò)最新的 Deep Profiling 功能解決了這一問(wèn)題，該功能為開(kāi)發(fā)人員提供了在 Amazon SageMaker Studio 中可視化剖析和監(jiān)控系統(tǒng)資源利用率的能力。這讓開(kāi)發(fā)人員更容易尋根問(wèn)底，減少訓(xùn)練機(jī)器學(xué)習(xí)模型的時(shí)間和成本。借助這些新功能，Amazon SageMaker Debugger 擴(kuò)大了監(jiān)控系統(tǒng)資源利用率的范圍，在 Amazon SageMaker Studio 中或通過(guò) AWS CloudWatch 發(fā)送訓(xùn)練期間的問(wèn)題告警，將使用情況關(guān)聯(lián)到訓(xùn)練作業(yè)中的不同階段，或者訓(xùn)練期間的特定時(shí)間點(diǎn)（如訓(xùn)練作業(yè)開(kāi)始后第 28 分鐘）。
Amazon SageMaker Debugger 還可以根據(jù)告警觸發(fā)行動(dòng)（例如，當(dāng)檢測(cè)到 GPU 使用情況不正常時(shí)，即停止訓(xùn)練作業(yè)）。Amazon SageMaker Debugger Deep Profiling 可以用于 PyTorch、Apache MXNet 和 TensorFlow 的訓(xùn)練任務(wù)，自動(dòng)收集必要的系統(tǒng)和訓(xùn)練指標(biāo)，無(wú)需在訓(xùn)練腳本中更改任何代碼。這允許開(kāi)發(fā)人員在 Amazon SageMaker Studio 中可視化其訓(xùn)練期間的系統(tǒng)資源使用情況。
Distributed Training on Amazon SageMaker 使得訓(xùn)練大型復(fù)雜深度學(xué)習(xí)模型的速度比當(dāng)前的方法快兩倍。當(dāng)前，高級(jí)的機(jī)器學(xué)習(xí)使用場(chǎng)景，例如智能助手的自然語(yǔ)言處理、自動(dòng)駕駛車輛的對(duì)象檢測(cè)和分類，以及大規(guī)模內(nèi)容審核的圖像分類，需要越來(lái)越大的數(shù)據(jù)集和更多的 GPU (圖形處理單元 ) 內(nèi)存進(jìn)行訓(xùn)練。然而，其中一些模型太大，無(wú)法容納在單個(gè) GPU 提供的內(nèi)存中。客戶可以嘗試在多個(gè) GPU 間拆分模型，但尋找拆分模型的最佳方式和調(diào)整訓(xùn)練代碼往往需要數(shù)周的繁瑣實(shí)驗(yàn)。
為了克服這些挑戰(zhàn)，Distributed Training on Amazon SageMaker 提供了兩種分布式訓(xùn)練功能，使開(kāi)發(fā)人員能夠在不增加成本的情況下，將大型模型的訓(xùn)練速度提高兩倍。Distributed Training 與 Amazon SageMake 的數(shù)據(jù)并行引擎一起，通過(guò)在多個(gè) GPU 間自動(dòng)分割數(shù)據(jù)，將訓(xùn)練作業(yè)從一個(gè) GPU 擴(kuò)展到數(shù)百個(gè)或數(shù)千個(gè) GPU，將訓(xùn)練時(shí)間縮短多達(dá) 40%。
之所以能夠縮短訓(xùn)練時(shí)間，是因?yàn)?Amazon SageMaker 的數(shù)據(jù)并行引擎使用了專門(mén)的算法來(lái)管理 GPU，充分利用 AWS 基礎(chǔ)設(shè)施，實(shí)現(xiàn)最佳同步，具有近乎線性的擴(kuò)展效率。Distributed Training 與 Amazon SageMaker 模型并行引擎一起，可以自動(dòng)剖析和識(shí)別分割模型的最佳方式，在多個(gè) GPU 上高效分割具有數(shù)十億參數(shù)的大型復(fù)雜模型。它們通過(guò)使用圖分區(qū)算法來(lái)完成這樣工作，優(yōu)化了平衡計(jì)算，最大限度地減少 GPU 之間的通信，從而最少化代碼重構(gòu)，減少 GPU 內(nèi)存限制造成的錯(cuò)誤。
Amazon SageMaker Edge Manager 可以幫助開(kāi)發(fā)人員優(yōu)化、保護(hù)、監(jiān)控和維護(hù)部署在邊緣設(shè)備集群上的機(jī)器學(xué)習(xí)模型。目前，客戶使用 Amazon SageMaker Neo 為邊緣設(shè)備優(yōu)化模型，這使得模型的運(yùn)行速度可以提高到多達(dá)兩倍，且內(nèi)存占用率不到十分之一，準(zhǔn)確性也沒(méi)有損失。然而，在邊緣設(shè)備上部署后，客戶仍然需要管理和監(jiān)控模型，以確保它們?nèi)匀灰愿呔冗\(yùn)行。
Amazon SageMaker Edge Manager 可以優(yōu)化模型，使其在目標(biāo)設(shè)備上運(yùn)行得更快，并為邊緣設(shè)備管理模型，以便客戶可以在邊緣設(shè)備集群中準(zhǔn)備、運(yùn)行、監(jiān)控和更新機(jī)器學(xué)習(xí)模型?？蛻艨梢允褂?Amazon SageMaker Edge Manager 對(duì)其模型進(jìn)行加密簽名，從邊緣設(shè)備上傳預(yù)測(cè)數(shù)據(jù)到 Amazon SageMaker以進(jìn)行監(jiān)控和分析，并在 Amazon SageMaker 控制臺(tái)中查看報(bào)表，來(lái)跟蹤和可視化模型的運(yùn)行狀況。Amazon SageMaker Edge Manager 擴(kuò)展了以前只能在云端使用的功能，它可以從邊緣設(shè)備中采樣數(shù)據(jù)，將其發(fā)送到 Amazon SageMaker Model Monitor 進(jìn)行分析，當(dāng)模型的準(zhǔn)確性隨著時(shí)間的推移而下降時(shí)，重新訓(xùn)練模型以便開(kāi)發(fā)人員不斷提高模型的質(zhì)量。
Amazon SageMaker JumpStart 為開(kāi)發(fā)人員提供了一個(gè)易于使用、可搜索的界面，用于查找同類最佳解決方案、算法和 notebook 示例。當(dāng)前，缺乏機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的客戶很難開(kāi)始機(jī)器學(xué)習(xí)部署，而高級(jí)的開(kāi)發(fā)人員發(fā)現(xiàn)很難將機(jī)器學(xué)習(xí)應(yīng)用到所有應(yīng)用場(chǎng)景。通過(guò) Amazon SageMaker JumpStart，客戶現(xiàn)在可以快速找到針對(duì)其機(jī)器學(xué)習(xí)場(chǎng)景的相關(guān)信息。新接觸機(jī)器學(xué)習(xí)的開(kāi)發(fā)人員可以從多個(gè)完整的端到端機(jī)器學(xué)習(xí)解決方案中進(jìn)行選擇（例如欺詐檢測(cè)、客戶流失預(yù)測(cè)或時(shí)序預(yù)測(cè)），并且可以直接部署到 Amazon SageMaker Studio 環(huán)境中。有經(jīng)驗(yàn)的用戶則可以從一百多個(gè)機(jī)器學(xué)習(xí)模型中選擇，快速開(kāi)始模型構(gòu)建和訓(xùn)練。
Swami 表示：“成千上萬(wàn)的開(kāi)發(fā)人員和數(shù)據(jù)科學(xué)家已經(jīng)使用我們業(yè)界領(lǐng)先的機(jī)器學(xué)習(xí)服務(wù) Amazon SageMaker，消除了他們?cè)跇?gòu)建、訓(xùn)練和部署定制化機(jī)器學(xué)習(xí)模型時(shí)的障礙。擁有 Amazon SageMaker 這樣一個(gè)廣泛采用的服務(wù)，最大的好處就是受益于很多客戶的建議，為我們的下一套產(chǎn)品的交付提供了動(dòng)力?！?/p>
今天，我們宣布為 Amazon SageMaker 提供一套工具，使開(kāi)發(fā)人員更容易構(gòu)建端到端機(jī)器學(xué)習(xí)流程，準(zhǔn)備、構(gòu)建、訓(xùn)練、解釋、檢查、監(jiān)控、調(diào)試和運(yùn)行定制化機(jī)器學(xué)習(xí)模型，提供更高的可視性、可解釋性和大規(guī)模的自動(dòng)化。
面對(duì)如此眾多新發(fā)布，AWS的Amazon SageMaker 使用客戶是如何評(píng)價(jià)的？
3M
3M 公司在全球 70 個(gè)國(guó)家運(yùn)營(yíng)，并在 200 個(gè)國(guó)家開(kāi)展銷售業(yè)務(wù)，公司創(chuàng)造的技術(shù)和產(chǎn)品，正在推動(dòng)著每一家公司的發(fā)展，改善每一個(gè)家庭的日常生活。
“3M 的成功源于我們具有企業(yè)家精神的研究人員和我們對(duì)科學(xué)的持續(xù)關(guān)注。我們推進(jìn)產(chǎn)品科學(xué)化的一種方式是在 AWS 上使用機(jī)器學(xué)習(xí)技術(shù)?！?M 企業(yè)系統(tǒng)研究實(shí)驗(yàn)室技術(shù)總監(jiān) David Frazee說(shuō)，“利用機(jī)器學(xué)習(xí)，3M 正在改進(jìn)砂紙這樣久經(jīng)考驗(yàn)的產(chǎn)品，并推動(dòng)其它一些領(lǐng)域包括醫(yī)療保健在內(nèi)的創(chuàng)新。隨著我們計(jì)劃將機(jī)器學(xué)習(xí)擴(kuò)展到 3M 的更多領(lǐng)域，我們的數(shù)據(jù)和模型快速增長(zhǎng)，每年翻倍。
我們對(duì) Amazon SageMaker 的新功能充滿熱情，因?yàn)樗鼈儗椭覀償U(kuò)大規(guī)模。Amazon SageMaker Data Wrangler 使得為模型訓(xùn)練來(lái)準(zhǔn)備數(shù)據(jù)變得更容易，Amazon SageMaker Feature Store 使得我們不需要重復(fù)創(chuàng)建相同的模型特征。最后，Amazon SageMaker Pipelines 可以幫助我們將數(shù)據(jù)準(zhǔn)備、模型構(gòu)建和模型部署，變成自動(dòng)化的端到端工作流，加速模型上生產(chǎn)的時(shí)間。我們的研究人員期待著在 3M 公司利用這些工具，提高科學(xué)創(chuàng)新速度?！?/p>
德勤
德勤正在幫助全球各地的組織轉(zhuǎn)型。德勤不斷演進(jìn)其工作方式和看待市場(chǎng)挑戰(zhàn)的方式，不斷為客戶和社區(qū)提供可衡量、可持續(xù)的成果。
德勤 AI 生態(tài)系統(tǒng)和平臺(tái)負(fù)責(zé)人 Frank Farrall 表示：“Amazon SageMaker Data Wrangler 提供了豐富的數(shù)據(jù)轉(zhuǎn)換工具，滿足了我們數(shù)據(jù)準(zhǔn)備的需求，縮短了新產(chǎn)品上市的時(shí)間。反過(guò)來(lái)，我們的客戶也受益于我們規(guī)?；渴鸬乃俣?，使我們能夠在幾天內(nèi)、而不是幾個(gè)月內(nèi)，提供可衡量、可持續(xù)的結(jié)果，滿足客戶需求。
聯(lián)想
是全球最大的個(gè)人電腦制造商。聯(lián)想設(shè)計(jì)和制造的設(shè)備包括記事本電腦、平板電腦、智能手機(jī)和各種智能物聯(lián)網(wǎng)設(shè)備。
“在聯(lián)想，我們不僅僅是一家硬件供應(yīng)商，還致力于成為客戶值得信賴的合作伙伴，改變客戶使用設(shè)備的體驗(yàn)，實(shí)現(xiàn)客戶的業(yè)務(wù)目標(biāo)。聯(lián)想 Device Intelligence 就是我們使用 Amazon SageMaker 來(lái)增強(qiáng)機(jī)器學(xué)習(xí)能力的一個(gè)很好的例證?！甭?lián)想個(gè)人電腦和智能設(shè)備部門(mén)云與軟件副總裁 Igor Bergman 說(shuō)?！巴ㄟ^(guò)聯(lián)想 Device Intelligence，IT 管理員可以主動(dòng)診斷個(gè)人電腦問(wèn)題，提前預(yù)測(cè)潛在的系統(tǒng)故障，減少宕機(jī)時(shí)間，提高員工的工作效率。結(jié)合 Amazon SageMaker Neo，我們已經(jīng)實(shí)質(zhì)性的提高了設(shè)備預(yù)測(cè)模型的效果，從而促使我們?cè)谖磥?lái)幾周內(nèi)進(jìn)一步采用 Amazon SageMaker Edge Manager。Amazon SageMaker Edge Manager 將有助于消除模型部署后進(jìn)行優(yōu)化、監(jiān)控和持續(xù)改進(jìn)所需的人工工作。
基于此，預(yù)計(jì)我們的模型將比其它同類機(jī)器學(xué)習(xí)平臺(tái)運(yùn)行得更快，消耗的內(nèi)存更少。隨著我們將人工智能擴(kuò)展到聯(lián)想整個(gè)服務(wù)組合中的新應(yīng)用，我們將繼續(xù)采用高性能的機(jī)器學(xué)習(xí)管道，在云端和數(shù)百萬(wàn)邊緣設(shè)備上靈活擴(kuò)展。這正是我們選擇 Amazon SageMaker 平臺(tái)的原因。憑借其豐富的從邊緣到云端和 CI/CD 工作流的能力，我們可以有效地將我們的機(jī)器學(xué)習(xí)模型帶入任何設(shè)備工作流，從而大大提高生產(chǎn)力?！?/p>
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
