「」Amazon SageMaker在中国区上线，10分钟即可训练出机器学习模型

本文插图
随着技术和生态的不断演进，应用场景的不断探索，人工智能已然不再是空中楼阁。无论是日新月异的互联网应用，还是求新求变的企业转型，机器学习都得到了广泛的应用，逐步成为驱动业务的关键技术。
作为AWS家族里的王牌成员， Amazon SageMaker可谓是机器学习的”重磅能手” 。 2020 年 4 月30日， Amazon SageMaker 在由光环新网运营的 AWS 中国（北京）区域和由西云数据运营的 AWS 中国（宁夏）区域正式开放。
Amazon SageMaker 前世今生
机器学习本身是一个高度协作的过程，将领域经验与技术技能相结合是成功的基石，并通常需要多次迭代和实验。相比预研项目或原型验证，一个真正可以应用到生产环境的机器学习项目需要全面考虑工作流程的方方面面，包括数据预处理、框架部署与配置、算法选择和优化、模型训练和超参数优化、数据和模型安全、模型对于业务的可解释性、模型 A/B 对比测试、模型部署后的持续监控和优化、不同硬件环境对模型编译的要求、基础资源的管理运维、总拥有成本优化等等。
为了解决这些问题，让数据科学家、算法工程师、业务开发者都能轻松驾驭机器学习， AWS 于 2017 年 11 月推出了 Amazon SageMaker 机器学习平台服务，并且在过去的两年多里不断丰富功能组件。在 Gartner 发布的 2020 年云上 AI 开发者服务魔力象限中， AWS 被评为领导者，Amazon SageMaker 是其中不可或缺的一部分。

本文插图
Amazon SageMaker 能做什么
Amazon SageMaker 是一项完全托管的服务，可以帮助机器学习开发者和数据科学家快速构建、训练和部署模型。 Amazon SageMaker 完全消除了机器学习过程中各个步骤的繁重工作，让开发高质量模型变得更加轻松。

本文插图
1、构建机器学习模型
Amazon SageMaker Studio ——首个适用于机器学习的集成开发环境（IDE）
用户可以在统一的可视化界面中操作 Notebook 、创建模型、管理模型试验、调试，以及检测模型偏差。

本文插图
Amazon SageMaker Notebooks 加快构建与协作
很多用户使用单台服务器运行 Jupyter Notebook，不仅需要管理底层资源，而且在共享给其他用户时，需要修改一系列系统配置以及网络权限。 Amazon SageMaker Notebook 可一键启动 Jupyter Notebook， AWS 负责底层计算资源的托管；同时还支持一键共享 Notebook ，让机器学习团队轻松协作。
Amazon SageMaker Autopilot 实现模型自动构建与优化
在设计机器学习模型时，我们需要考虑可以用来解决机器学习问题的各种算法，找到有效的算法往往需要几个小时的训练和测试，甚至更长时间。
Amazon SageMaker Autopilot 可以自动检查原始数据、选择最佳算法参数集合、训练和调优多个模型、跟踪模型性能，以及根据性能对模型进行排名。如此一来，您可以大大缩短寻找最佳模型所需的时间。
Amazon SageMaker支持多种深度学习框架
支持的框架包括：TensorFlow、PyTorch、Apache MXNet、Chainer、Keras、Gluon、Horovod、Scikit-learn 和 Deep Graph Library 。除了默认支持的框架，其他任何框架可以通过自带容器（BYOC,Bring Your Own Container）的方式在Amazon SageMaker中运行，包括模型训练和部署。