アマゾンSageMaker特徴 - アマゾン SageMaker

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

アマゾンSageMaker特徴

アマゾンSageMakerには次の機能が含まれます。

「リ・インヴェント 2022」の新機能

SageMakerには、re: Invent 2022の以下の新機能が含まれています。

SageMaker地理空間機能

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。

SageMakerモデルカード

ML モデルに関する情報を 1 か所に文書化することで、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作成を合理化できます。

SageMakerモデルダッシュボード

アカウント内のすべてのモデルの概要が事前に作成され、視覚的に確認できます。モデルダッシュボードは、以下の情報を統合しますSageMakerモデルモニター、変換ジョブ、エンドポイント、リネージトラッキング、CloudWatchこれにより、高レベルのモデル情報にアクセスして、モデルのパフォーマンスを1つの統合ビューで追跡できます。

SageMakerロールマネージャ

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権限を定義できます。

自動 ML ステップ

モデルを自動的にトレーニングする AutoML ジョブの作成SageMakerパイプライン。

共有スペースとのコラボレーション

共有スペースは共有スペースで構成されますJupyterServerアプリケーションと共有ディレクトリ。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。

データラングラーデータ準備ウィジェット

データを操作し、視覚化し、実用的な洞察を探り、データ品質の問題を解決します。

推論シャドウテスト

現在デプロイされているインフラストラクチャとパフォーマンスを比較して、モデルサービスインフラストラクチャの変更を評価します。

ノートブックベースのワークフロー

実行してくださいSageMakerスタジオノートブックは非インタラクティブでスケジュールされたジョブです。

スタジオ Git エクステンション

Git リポジトリの URL を入力したり、それを環境に複製したり、変更をプッシュしたり、コミット履歴を表示したりできる Git 拡張機能です。

機械学習環境

SageMakerには、次の機械学習環境が含まれます。

SageMaker Studio

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。

SageMakerスタジオラボ

顧客がアクセスできるようにする無料サービスAWSオープンソースベースの環境におけるコンピュートリソースJupyterLab。

SageMakerキャンバス

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。

RStudio オンアマゾンSageMaker

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

主な機能

SageMakerには、次の主要な機能がアルファベット順で表示されます (一部を除く)SageMakerプレフィックス。

Amazon Augmented AI

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。

SageMaker Autopilot

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。

バッチ変換

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。

SageMaker明確化

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。

SageMakerデータラングラー

データのインポート、分析、準備、および機能化SageMakerスタジオ。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。

SageMaker Debugger

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。

SageMakerエッジマネージャ

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。

SageMaker Elastic Inference

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。

SageMaker Experiments

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。

SageMakerフィーチャーストア

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。

SageMaker Ground Truth

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。

SageMakerグラウンドトゥルースプラス

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。

SageMaker推論レコメンダー

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。

SageMaker JumpStart

について学ぶSageMaker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、導入可能な事前トレーニング済みモデルによる特徴と機能 モデルを微調整してデプロイすることもできます。

SageMakerML リネージトラッキング

機械学習ワークフローの系統を追跡します。

SageMakerモデル構築パイプライン

と直接統合された機械学習パイプラインの作成と管理SageMakerジョブ。

SageMaker Model Monitor

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。

SageMakerモデルレジストリ

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。

SageMaker Neo

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。

前処理

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]

以下を使用して、CI/CD を使用してエンドツーエンドの ML ソリューションを作成SageMakerプロジェクト。

強化学習

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。

SageMakerサーバーレスエンドポイント

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。

SageMaker Studio Notebooks

次世代SageMaker以下を含むノートブックAWS IAM Identity Center (successor to AWS Single Sign-On)(IAM Identity Center) の統合、起動時間の短縮、ワンクリックでの共有

SageMakerスタジオノートブックと Amazon EMR

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

SageMakerトレーニングコンパイラ

によって管理されるスケーラブルな GPU インスタンスでディープラーニングモデルをより高速にトレーニングできますSageMaker。