亞馬遜雲科技推出六項Amazon SageMaker新功能

o   Amazon SageMaker Canvas 進一步降低機器學習使用門檻，業務分析師無需編碼即可使用點選式介面進行更準確的機器學習預測
o   Amazon SageMaker Ground Truth Plus 提供全託管資料標記服務，為客戶提供內建工作流程以及技能嫻熟的團隊，以更低成本快速交付高質量的機器學習模型訓練資料集
o   Amazon SageMaker Studio  提供一個可以集中執行資料工程、資料分析和機器學習工作流程的通用 notebook 環境
o   Amazon SageMaker Training Compiler  透過自動程式碼編譯提高效率，幫助客戶將深度學習模型訓練速度提高 50%
o   Amazon SageMaker Inference Recommender 為執行機器學習推理自動推薦適合的亞馬遜雲科技計算例項，獲得最佳價效比
o   Amazon SageMaker Serverless Inference  為大規模機器學習推理提供無伺服器計算

北京2021年12月8日 /美通社/ -- 2021年12月8日，亞馬遜雲科技在2021 re:Invent全球大會上，宣佈為行業領先的機器學習服務Amazon SageMaker推出六項新功能，讓機器學習更易於上手且更具成本效益。此次釋出的強大新功能包括:無需編碼即可進行準確的機器學習預測，更精準的資料標記服務，可用於跨域協作的通用 Amazon SageMaker Studio notebook體驗、讓程式碼更高效的機器學習模型訓練編譯器，為機器學習推理自動推薦計算例項，以及用於機器學習推理的無伺服器計算。欲開始使用 Amazon SageMaker，請訪問   。

在多重因素的推動下，如雲上幾乎無限的算力、資料量的爆炸性增長以及開發人員工具的快速進步及迭代，機器學習已成為各行業的主流。多年來，亞馬遜雲科技一直致力於降低機器學習的使用門檻，讓更多的客戶利用機器學習技術。Amazon SageMaker是亞馬遜雲科技增長速度最快的服務之一，全球數萬客戶包括阿斯利康、Aurora、Capital One、塞納、路虎、現代集團、Intuit、湯森路透、Tyson、Vanguard，正使用Amazon SageMaker訓練各種規模的機器學習模型，有些模型甚至包含數十億引數，每月進行數千億次預測。隨著客戶在 Amazon SageMaker 上不斷擴充套件其機器學習模型訓練和推理，亞馬遜雲科技也持續投入，僅在過去一年就推出 60 多項Amazon SageMaker新的特性和功能。此次釋出的諸多新功能讓Amazon SageMaker更強大 -- 更輕鬆地準備和收集機器學習資料，更快地訓練模型，最佳化推理所需的計算型別和數量，並將機器學習擴充套件到更廣泛的受眾。

• Amazon SageMaker Canvas  無程式碼機器學習預測：Amazon SageMaker Canvas 為業務分析師（支援財務、市場、運營和人力資源團隊的業務員工）提供視覺化介面，他們無需任何機器學習經驗，也不必編寫程式碼，即可自行建立更準確的機器學習模型進行預測。越來越多的公司希望透過機器學習重塑其業務和客戶體驗，這就需要更多來自不同業務領域的員工使用先進的機器學習技術。然而，機器學習通常需要專業技能，獲得這些技能通常需要多年的正規教育或強化培訓，同時對應的課程難度大且不斷變化。Amazon SageMaker Canvas解決了這一挑戰，它透過提供一個視覺化的、 點選式的使用者介面，讓業務分析師可以輕鬆地生成預測。客戶將Amazon SageMaker Canvas連線到他們的資料儲存（例如 Amazon Redshift、Amazon S3、Snowflake、本地資料儲存、本地檔案等），Amazon SageMaker Canvas提供視覺化工具，幫助客戶直觀地準備和分析資料。然後，客戶無需任何編碼，Amazon SageMaker Canvas使用自動機器學習來構建和訓練機器學習模型。為確保模型的準確性和有效性，業務分析師還可以在Amazon SageMaker Canvas的控制檯中檢視和評估模型。Amazon SageMaker Canvas還支援客戶將模型匯出到 Amazon SageMaker Studio，與資料科學家共享，進一步驗證和完善模型。
• Amazon SageMaker Ground Truth Plus  專業 資料標記：Amazon SageMaker Ground Truth Plus 是一項完全託管的資料標記服務，為客戶提供內建的工作流程、技能嫻熟的團隊，以更低成本快速交付高質量的訓練資料集，用於訓練機器學習模型，客戶無需編碼。為了訓練更準確的模型並規模化機器學習部署，客戶需要被正確標記的資料集越來越大。但是，要生成大型資料集可能需要數週甚至數年的時間，並且通常需要公司僱傭員工並建立工作流來管理標記資料的過程。 2018 年，亞馬遜雲科技推出了 Amazon SageMaker Ground Truth，透過使用來自Amazon Mechanical Turk、第三方供應商或自有團隊的人工資料標註員的方式，幫助客戶更輕鬆的生成標記資料。Amazon SageMaker Ground Truth Plus 進一步擴充套件了這項功能，透過提供專業團隊為客戶提供高度準確的資料標籤。這些專業團隊不但擁有特定領域和行業專業知識，同時具有職業技能可滿足客戶對資料安全、隱私與合規等要求。 Amazon SageMaker Ground Truth Plus具有多步驟標記工作流程功能，可縮短標記資料集所需的時間並降低採購高質量註釋資料的成本，該功能包括機器學習模型預標記、檢測人工標記錯誤和低質量標籤的機器驗證，以及輔助標記功能（例如 3D 長方體捕捉、去除2D中的失真影像、影片標記中的預測和自動分割工具）。客戶只需先將 Amazon SageMaker Ground Truth Plus 指向他們在 Amazon Simple Storage Service （Amazon S3） 中的資料來源，並提供特定的標記要求（例如，醫學專家應如何標記肺部放射影像中的異常情況的說明）。 Amazon SageMaker Ground Truth Plus 隨後建立資料標記工作流程並提供控制皮膚，客戶可透過控制皮膚跟蹤資料註釋進度、檢查已完成標籤的樣本質量，並提供為生成高質量資料的反饋；該功能讓客戶可以更快地構建、訓練和部署高度準確的機器學習模型。
• Amazon SageMaker Studio  通用 notebook ：Amazon SageMaker Studio 的通用notebook（業界首個完整的機器學習整合開發環境）提供了一個統一的整合環境來執行資料工程、資料分析和機器學習。如今，來自不同資料領域的團隊希望使用一系列涵蓋資料工程、資料分析和機器學習的工作流開展協作。這些領域的從業者通常來自資料工程、資料分析和資料科學等不同的知識領域，他們希望實現跨各種工作流工作，並無需切換資料相關工具。而當客戶準備整合資料分析和機器學習的資料時，通常需要處理多種工具和notebook，這一過程繁瑣、耗時且容易出錯。 Amazon SageMaker Studio 現支援客戶在一個通用notebook中，為實現多種目的而進行的互動方式訪問、轉換和分析各種資料。Amazon SageMaker Studio與在 Amazon EMR 叢集上執行的 Spark、Hive 和 Presto，以及在 Amazon S3 上執行的資料湖均內建整合，客戶無需切換服務即可使用Amazon SageMaker Studio 訪問和操作通用notebook中的資料。客戶除了可以使用喜歡的框架（例如 TensorFlow、PyTorch 或 MXNet）開發機器學習模型，並在 Amazon SageMaker Studio 中構建、訓練和部署機器學習模型外；客戶無需離開通用Amazon SageMaker Studio notebook，可以一站式瀏覽和查詢資料來源、探索後設資料和模式，並處理資料分析或機器學習工作流相關的工作負載。
• 適用於機器學習模型的  Amazon SageMaker Training Compiler ：Amazon SageMaker Training Compiler 是一種新的機器學習模型編譯器，可自動最佳化程式碼提高計算資源的使用效率，並縮短訓練模型時間多達 50%。先進的深度學習模型通常是龐大而複雜的，訓練單個模型可能消耗數千小時的GPU計算時間，為此它們需要專門的計算例項來加速訓練。為了進一步縮短訓練時間，資料科學家會嘗試增加訓練資料或調整超引數（控制機器學習訓練過程的變數），找到效能最佳且資源消耗最少的模型版本。這項工作的技術複雜性致使資料科學家沒有時間最佳化在 GPU 上執行訓練模型所需的框架。 Amazon SageMaker Training Compiler與 Amazon SageMaker 中的 TensorFlow 和 PyTorch 版本整合，這些版本經過最佳化可在雲中更高效地執行，因此資料科學家可以使用他們喜歡的框架，更高效得使用GPU訓練機器學習模型。只需單擊一下，Amazon SageMaker Training Compiler 就會自動最佳化並編譯訓練好的模型，提高訓練執行速度多達50%。
• Amazon SageMaker Inference Recommender  自動例項選擇：Amazon SageMaker Inference Recommender 幫助客戶自動選擇最佳計算例項和配置（例如例項數量、容器引數和模型最佳化），執行其特定的機器學習模型推理。大型機器學習模型，通常用於自然語言處理或計算機視覺，選擇具有最佳價效比的計算例項是一個複雜的迭代過程，可能需要數週的實驗時間。 Amazon SageMaker Inference Recommender消除了執行一個模型應選擇哪種例項的不確定性和複雜性，透過自動推薦適合的計算例項配置，可將部署時間從數週縮短至幾小時。資料科學家使用 Amazon SageMaker Inference Recommender 可將模型部署到推薦的一個計算例項上， 或者使用該服務在一系列選定的計算例項上執行效能基準測試。客戶可以在 Amazon SageMaker Studio 中檢視基準測試結果，並評估不同配置在延遲、吞吐量、成本、計算和記憶體等方面的利弊。
• 適用於機器學習模型的  Amazon SageMaker Serverless Inference ：使用Amazon SageMaker Serverless Inference，客戶僅需為生產中部署的機器學習模型推理按使用量付費。客戶使用機器學習時，希望能最佳化成本，對於具有間歇性流量模式和長時間空閒的應用程式而言尤為重要。有些應用程式，如基於消費者購買的個性化推薦、接聽來電的聊天機器人以及基於實時交易的需求預測等，可能會受外部因素如天氣狀況、促銷的產品或節假日等影響出現波峰波谷。為機器學習推理提供合適的計算容量是一項艱難的、需要權衡多方面因素的工作。有時，為滿足峰值需求，客戶會過度配置容量，雖然實現了一致的效能，但在沒有流量時會浪費成本。有時， 客戶為控制成本而部署了不足夠的計算容量，在條件變化時卻無法提供足夠的算力來執行推理。為了適應不斷變化的條件，一些客戶嘗試動態地手動調整計算資源，這是繁瑣且耗費精力的工作。用於機器學習的 Amazon SageMaker Serverless Inference 會根據推理請求的數量自動預置、擴充套件和關閉計算容量。當客戶將機器學習模型部署到生產中，只需在 Amazon SageMaker 中選擇無伺服器部署選項，Amazon SageMaker Serverless Inference 就會管理計算資源並提供所需的精確計算量。透過Amazon SageMaker Serverless Inference，客戶無需管理底層基礎設施，且只需為每個請求使用的算力和處理的資料量付費。

亞馬遜雲科技機器學習副總裁Bratin Saha 表示：“各個行業和各種規模的客戶都在積極藉助Amazon SageMaker 擴大機器學習的使用範圍，機器學習已經成為很多企業運營的核心組成，並賦能客戶發明新的產品，創新的服務和體驗。我們很高興將行業領先的機器學習服務擴充至更多客戶，幫助更多企業推動業務創新，解決富有挑戰性的問題。這些 Amazon SageMaker的新功能將觸達更廣泛的客戶，同時為現有客戶提供額外的功能，幫助他們在機器學習之旅中更輕鬆地將資料轉化為有價值的洞察，加快部署速度，提升效能並節省成本。”

寶馬集團總部位於德國慕尼黑，是一家全球豪華汽車和摩托車製造商，品牌涵蓋寶馬、寶馬摩托車、MINI 和勞斯萊斯等；它還提供優質的金融和移動服務。寶馬集團人工智慧平臺產品負責人 Marc Neumann 表示：“將人工智慧作為關鍵技術使用是寶馬集團數字化轉型過程中的重要一環。我們在整個價值鏈中已經採用人工智慧，為客戶、產品、員工和流程創造附加價值。過去幾年裡，我們已經將寶馬集團許多具有商業價值影響的頂級用例產業化。 我們認為Amazon SageMaker Canvas將幫助我們把人工智慧/機器學習擴充套件至整個寶馬集團。透過SageMaker Canvas，業務使用者可以輕鬆地探索和構建機器學習模型，無需編寫程式碼即可做出準確預測。 SageMaker 還支援我們的核心資料科學團隊協作，並對由業務使用者建立的模型在投入生產環境之前對其進行評估。”

西門子能源正在為社會注入活力，環境、社會和公司治理（ESG）是其戰略重點，他們的創新正在為合作伙伴和員工創造不一樣的明天。西門子能源工業應用資料科學團隊負責人 Davood Naderi表示：“西門子能源資料科學戰略的核心是將機器學習的力量帶給所有業務使用者，讓他們能夠在不需要資料科學專家的情況下試驗不同的資料來源和機器學習框架。這將加快我們能源解決方案（例如排程最佳化器和診斷服務）的創新和數字化速度。Amazon SageMaker Canvas支援業務使用者開展實驗，是西門子能源機器學習工具套件的很好的補充。同時還可以與資料科學團隊共享和協作，這種協作非常重要，不但幫助我們將更多機器學習模型投入生產，同時還確保所有模型都符合我們的質量標準和政策。”

愛彼迎是全球最大的特色民宿預定平臺之一，提供超過 700 萬個住宿選擇和 40,000 項由當地房東組織的手工活動。“在愛彼迎，我們越來越多地將機器學習整合到業務的各個方面。為了訓練和測試機器學習模型，我們的團隊始終需要生成和維護高質量的資料。”愛彼迎中國資料科學家羅偉表示：“為了更好地為客戶提供服務，並減少對客服團隊的依賴，我們一直在尋找一種方法，可以基於十萬段普通話客戶服務日誌生成高質量的文字分類資料結果。透過Amazon SageMaker Ground Truth Plus，亞馬遜雲科技團隊為我們構建了定製資料標記工作流程，其中包括能夠實現 99% 分類準確率的自定義機器學習模型。” 

美國國家橄欖球聯盟（NFL）是美國最受歡迎的體育聯盟，由 32 支職業運動隊組成，他們每年都在爭奪超級碗冠軍，這是世界上最大的年度體育賽事。NFL 球員健康與創新高階副總裁 Jennifer Langton表示：“在 NFL，為了幫助我們的球迷、廣播公司、教練和球隊獲得洞察，我們一直尋找使用機器學習的新方法。橄欖球是一項追求速度的運動，比賽可以在一瞬間發生。雖然有教練員和裁判員，但很難在場上照看到所有球員的安全。計算機視覺讓我們能夠準確監測球員安全事件，但開發這些演算法需要專業標記的資料。現在，Amazon SageMaker Ground Truth Plus為複雜的標記任務提供了定製工作流程和使用者介面，這將幫助我們提高球員的安全性。”

Vanguard Group, Inc. 是一家美國註冊的投資顧問機構，總部位於賓夕法尼亞州馬爾文，管理著約 7 萬億美元的全球資產。 Vanguard 重新定義行業價值，幫助投資者做正確的選擇，併為全球數百萬客戶創造變革。Vanguard資料和分析高階總監Doug Stewart表示：“我們非常高興的看到資料科學家和資料工程師可以在一個通用notebook環境中協作，進行資料分析和機器學習。Amazon SageMaker Studio已與在 Amazon EMR 上執行的 Spark、Hive 和 Presto 內建整合，這提高了我們開發團隊的工作效率。這種統一的開發環境讓我們的團隊能夠專注於構建、訓練和部署機器學習模型。”

iFood 是拉丁美洲線上食品配送的領先企業，每月完成6,000 多萬份訂單。iFood使用機器學習向線上訂購的客戶推薦餐廳。 iFood 機器學習和資料工程總監 Ivan Lima 表示：“我們的機器學習模型一直採用 Amazon SageMaker構建高質量的應用程式，這貫穿於整個業務線。Amazon SageMaker Serverless Inference讓我們能夠更快地實現模型部署和擴充套件，無需擔心例項選擇，也不必擔心工作負載的波峰波谷。同時，我們預計該服務將進一步降低我們的成本。”