Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
SageMaker Autopilot
Wichtig
Ab dem 30. November 2023 wird die Benutzeroberfläche von Autopilot im Rahmen der aktualisierten Amazon SageMaker Studio-Erfahrung auf Amazon Canvas migriert. SageMaker SageMaker Canvas bietet Analysten und Citizen Data Scientists Funktionen ohne Programmierkenntnisse für Aufgaben wie Datenaufbereitung, Feature-Engineering, Algorithmusauswahl, Schulung und Optimierung, Inferenz und mehr. Benutzer können integrierte Visualisierungen und Was-wäre-wenn-Analysen nutzen, um ihre Daten und verschiedene Szenarien zu untersuchen. Automatisierte Prognosen ermöglichen es ihnen, ihre Modelle einfach zu produzieren. Canvas unterstützt eine Vielzahl von Anwendungsfällen, darunter Computer Vision, Bedarfsprognosen, intelligente Suche und generative KI.
Benutzer von Amazon SageMaker Studio Classic, der vorherigen Erfahrung von Studio, können die Autopilot-Benutzeroberfläche in Studio Classic weiterhin verwenden. Benutzer mit Programmiererfahrung können weiterhin alle APIReferenzen in allen unterstützten SDK technischen Implementierungen verwenden.
Wenn Sie bisher Autopilot in Studio Classic verwendet haben und zu SageMaker Canvas migrieren möchten, müssen Sie Ihrem Benutzerprofil oder Ihrer IAM Rolle möglicherweise zusätzliche Berechtigungen gewähren, damit Sie die SageMaker Canvas-Anwendung erstellen und verwenden können. Weitere Informationen finden Sie unter (Optional) Migrieren Sie von Autopilot in Studio Classic zu Canvas SageMaker .
Alle UI-bezogenen Anweisungen in diesem Handbuch beziehen sich auf die eigenständigen Funktionen von Autopilot vor der Migration zu Amazon Canvas. SageMaker Benutzer, die diese Anweisungen befolgen, sollten Studio Classic verwenden.
Amazon SageMaker Autopilot ist ein Funktionsumfang, der verschiedene Phasen des Workflows für maschinelles Lernen vereinfacht und beschleunigt, indem der Prozess der Erstellung und Bereitstellung von Modellen für maschinelles Lernen (AutoML) automatisiert wird.
Autopilot führt die folgenden Hauptaufgaben aus, die Sie auf Autopilot oder mit unterschiedlichem Grad menschlicher Führung ausführen können:
-
Datenanalyse und Vorverarbeitung: Der Autopilot identifiziert Ihren spezifischen Problemtyp, verarbeitet fehlende Werte, normalisiert Ihre Daten, wählt Merkmale aus und bereitet die Daten insgesamt für das Modelltraining vor.
-
Modellauswahl: Der Autopilot untersucht eine Vielzahl von Algorithmen und verwendet ein Resampling-Verfahren zur Kreuzvalidierung, um Metriken zu generieren, mit denen die Vorhersagequalität der Algorithmen auf der Grundlage vordefinierter objektiver Metriken bewertet wird.
-
Hyperparameter-Optimierung: Der Autopilot automatisiert die Suche nach optimalen Hyperparameter-Konfigurationen.
-
Modelltraining und Bewertung: Der Autopilot automatisiert den Prozess des Trainings und der Bewertung verschiedener Modellkandidaten. Er teilt die Daten in Trainings- und Validierungssätze auf, trainiert die ausgewählten Modellkandidaten anhand der Trainingsdaten und bewertet ihre Leistung anhand der unsichtbaren Daten des Validierungssatzes. Schließlich werden die optimierten Modellkandidaten anhand ihrer Leistung eingestuft und das Modell mit der besten Leistung identifiziert.
-
Modellbereitstellung: Sobald der Autopilot das Modell mit der besten Leistung identifiziert hat, bietet er die Möglichkeit, das Modell automatisch bereitzustellen, indem die Modellartefakte generiert werden und der Endpunkt ein verfügbar macht. API Externe Anwendungen können Daten an den Endpunkt senden und die entsprechenden Vorhersagen oder Schlussfolgerungen empfangen.
Autopilot unterstützt die Erstellung von Modellen für maschinelles Lernen auf großen Datensätzen von bis zu Hunderten von. GBs
Das folgende Diagramm skizziert die Aufgaben dieses AutoML-Prozesses, der von Autopilot verwaltet wird.
![Überblick über den Amazon SageMaker Autopilot AutoML-Prozess.](images/Autopilot-process-graphic-1.png)
Je nachdem, wie gut Sie sich mit dem maschinellen Lernprozess und Ihrer Programmiererfahrung auskennen, können Sie Autopilot auf unterschiedliche Weise verwenden:
-
Mithilfe der Studio Classic-Benutzeroberfläche können Benutzer zwischen einer Erfahrung ohne Code oder einem gewissen Maß an menschlichem Eingaben wählen.
Anmerkung
Nur Experimente, die aus Tabellendaten für Problemtypen wie Regression oder Klassifizierung erstellt wurden, sind über die Studio Classic-Benutzeroberfläche verfügbar.
-
Mit AutoML API können Benutzer mit Programmiererfahrung Available SDKs AutoML-Jobs erstellen. Dieser Ansatz bietet mehr Flexibilität und Anpassungsmöglichkeiten und ist für alle Problemtypen verfügbar.
Autopilot unterstützt derzeit die folgenden Problemtypen:
Anmerkung
Aufgaben wie Text- und Bildklassifizierung, Zeitreihenprognosen und Feinabstimmung großer Sprachmodelle sind ausschließlich in der Version 2 von AutoML verfügbar. REST API Wenn Ihre bevorzugte Sprache Python ist, können Sie SDK direkt auf AWS SDK for Python (Boto3)
Benutzer, die den Komfort einer Benutzeroberfläche bevorzugen, können Amazon SageMaker Canvas verwenden, um auf vortrainierte Modelle und generative KI-Grundmodelle zuzugreifen oder benutzerdefinierte Modelle zu erstellen, die auf bestimmte Text-, Bildklassifizierungs-, Prognoseanforderungen oder generative KI zugeschnitten sind.
-
Regressions-, Binär- und Mehrklassenklassifizierung mit tabellarischen Daten, die als Dateien CSV oder Parquet-Dateien formatiert sind, wobei jede Spalte ein Feature mit einem bestimmten Datentyp und jede Zeile eine Beobachtung enthält. Zu den akzeptierten Spaltendatentypen gehören numerische, kategoriale, Text- und Zeitreihen, die aus Zeichenfolgen mit durch Kommas getrennten Zahlen bestehen.
-
Informationen zum Erstellen eines Autopilot-Jobs als Pilotversuch anhand der Referenz finden Sie unter. SageMaker API Erstellen Sie mit AutoML einen Regressions- oder Klassifizierungsjob für Tabellendaten API
-
Informationen zum Erstellen eines Autopilot-Jobs als Pilotversuch mithilfe der Studio Classic-Benutzeroberfläche finden Sie unter. Erstellen Sie mit der Studio Classic-Benutzeroberfläche ein Regressions- oder Klassifikations-Autopilot-Experiment für Tabellendaten
-
Wenn Sie als Administrator die standardmäßigen Infrastruktur-, Netzwerk- oder Sicherheitsparameter von Autopilot-Experimenten in der klassischen Benutzeroberfläche von Studio Classic vorkonfigurieren möchten, finden Sie weitere Informationen unter. Konfigurieren Sie die Standardparameter eines Autopilot-Experiments (für Administratoren)
-
-
Textklassifizierung mit Daten, die als CSV oder Parquet-Dateien formatiert sind, wobei eine Spalte die zu klassifizierenden Sätze enthält, während eine andere Spalte die entsprechende Klassenbezeichnung enthalten sollte. Siehe Erstellen Sie einen AutoML-Job für die Textklassifizierung mithilfe der API.
-
Bildklassifizierung mit Bildformaten wie PNGJPEG, oder einer Kombination aus beidem. Siehe. Erstellen Sie einen AutoML-Job für die Bildklassifizierung mit dem API
-
Zeitreihenprognosen mit Zeitreihendaten, die als oder Parquet-Dateien formatiert sind. Siehe. CSV Erstellen Sie einen AutoML-Job für Zeitreihenprognosen mit dem API
-
Feinabstimmung umfangreicher Sprachmodelle (LLMs) für die Textgenerierung mit Daten, die als oder Parquet-Dateien formatiert sind. Siehe. CSV Erstellen Sie einen AutoML-Job zur Feinabstimmung von Textgenerierungsmodellen mithilfe der API
Darüber hinaus hilft Autopilot Benutzern zu verstehen, wie Modelle Vorhersagen treffen, indem es automatisch Berichte generiert, die die Bedeutung der einzelnen Funktionen aufzeigen. Dies bietet Transparenz und Einblicke in die Faktoren, die die Prognosen beeinflussen. Diese Erkenntnisse können von Risiko- und Compliance-Teams sowie externen Aufsichtsbehörden genutzt werden. Der Autopilot bietet auch einen Bericht zur Modellleistung, der eine Zusammenfassung der Bewertungskennzahlen, eine Konfusionsmatrix, verschiedene Visualisierungen wie Kennlinien für den Betrieb von Empfängern und Kurven für präzise Rückrufe und vieles mehr umfasst. Der spezifische Inhalt jedes Berichts hängt vom Problemtyp des Autopilot-Experiments ab.
Die Erklärbarkeits- und Leistungsberichte für den besten Modellkandidaten in einem Autopilot-Experiment sind für die Problemtypen Text-, Bild- und tabellarischer Datenklassifizierung verfügbar.
Für Anwendungsfälle mit tabellarischen Daten wie Regression oder Klassifikation bietet Autopilot zusätzliche Einblicke in die Art und Weise, wie die Daten verarbeitet wurden und wie die Modellkandidaten ausgewählt, trainiert und optimiert wurden. Dazu werden Notizbücher generiert, die den Code enthalten, der zur Untersuchung der Daten und zur Suche nach dem Modell mit der besten Leistung verwendet wurde. Diese Notebooks bieten eine interaktive und explorative Umgebung, in der Sie mehr über die Auswirkungen verschiedener Eingaben oder die Kompromisse erfahren können, die bei den Experimenten eingegangen wurden. Sie können mit dem leistungsfähigeren Modellkandidaten weiter experimentieren, indem Sie Ihre eigenen Änderungen an den Notebooks zur Datenexploration und Kandidatendefinition vornehmen, die von Autopilot bereitgestellt werden.
Bei Amazon zahlen Sie nur für das SageMaker, was Sie tatsächlich nutzen. Sie zahlen für die zugrunde liegenden Rechen- und Speicherressourcen innerhalb SageMaker oder anderer AWS Dienste, je nach Ihrer Nutzung. Weitere Informationen zu den Nutzungskosten finden Sie SageMaker unter SageMakerAmazon-Preise
Themen
- Erstellen Sie mit AutoML einen Regressions- oder Klassifizierungsjob für Tabellendaten API
- Erstellen Sie einen AutoML-Job für die Bildklassifizierung mit dem API
- Erstellen Sie einen AutoML-Job für die Textklassifizierung mithilfe der API
- Erstellen Sie einen AutoML-Job für Zeitreihenprognosen mit dem API
- Erstellen Sie einen AutoML-Job zur Feinabstimmung von Textgenerierungsmodellen mithilfe der API
- Erstellen Sie mit der Studio Classic-Benutzeroberfläche ein Regressions- oder Klassifikations-Autopilot-Experiment für Tabellendaten
- Beispiel-Notebooks für Amazon SageMaker Autopilot
- Amazon SageMaker Autopilot-Kontingente
- API-Referenzhandbuch für Amazon SageMaker Autopilot