単一ユーザーおよび組織管理者向けの新機能を使用した、シンプルでガイド付きの Amazon SageMaker ドメインオンボーディングエクスペリエンス。機能には、IAM Identity Center の直接統合、きめ細かなアクセスポリシー管理、シームレスな SageMaker アプリケーション管理と設定、VPC とストレージの設定が含まれます。

Amazon S3 Express 1 ゾーン

Amazon S3 Express One Zone は、レイテンシーの影響を受けやすいアプリケーションに 1 桁ミリ秒のアクセスを提供する新しいストレージクラスです。Amazon S3 Express One Zone を使用すると、お客様はオブジェクトストレージとコンピューティングリソースを 1 つの AWS アベイラビリティーゾーンにコロケーションし、コンピューティングパフォーマンスとコストの両方を最適化してデータ処理速度を向上させることができます。

基盤モデル評価 (FMEval)

Foundation model evaluations (FMEval ) は、不正確、有害な、または偏ったコンテンツを言語モデルに提供するリスクを定量化するのに役立ちます。これにより、ユースケースに最適なコンテンツを選択できます。独自のカスタムデータセットを取り込むか、組み込みを使用して言語モデルを評価します。FMEval は、の何十ものテキストベースの基盤モデルと統合 SageMaker JumpStart されているか、独自のモデルを導入します。FMEval ライブラリを使用してカスタマイズされた評価を作成することもできます。

SageMaker HyperPod

SageMaker HyperPod は、大規模言語モデル (LLMs) や拡散モデルなどの大規模な機械学習モデルを開発するために任意の機械学習ワークロードを実行できる、回復力のあるクラスター上に常時稼働 SageMaker の機械学習環境を提供するの機能です。

JupyterAI

Jupyter AI とコードウィスパーラーが SageMaker ディストリビューションに含まれました。この更新により、Studio またはコードエディタのユーザーはノートブックから生成 AI を簡単に使用でき、Code Whisperer のコード補完機能を利用できます。

JupyterLab Studio の

JupyterLab Studio のが Studio Notebooks のレイテンシーと信頼性を改善

SageMaker ノートブックジョブ

SageMaker Notebook Jobs はノートブックジョブの SDK サポートを提供するため、ノートブックジョブをプログラムでスケジュールできます。

SageMaker パイプライン

SageMaker Pipelines には、ローカル機械学習コードを SageMaker パイプラインステップに変換するオプションが用意されており、パイプラインを作成して実行できます。

SageMaker スマートサンプリング

SageMaker スマートシーティングは、 SageMaker トレーニングデータセットの効率を向上させ、総トレーニング時間とコストを削減するトレーニングの一機能です。

SageMaker Studio

Studio は、ML ワークフローを実行するための最新のウェブベースのエクスペリエンスです。Studio では、コードエディタ、新しい Jupyterlab アプリケーション、RStudio 、Studio Classic など、IDEs のスイートを提供しています。

機械学習環境

SageMaker には、次の機械学習環境が含まれています。

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 Canvas: 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。
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 Studio Lab: オープンソースのに基づいて環境内の AWS コンピューティングリソースへのアクセスを顧客に許可する無料のサービス JupyterLab。
Amazon での RStudio SageMaker: コンソール、直接コード実行をサポートする構文強調表示エディタ、プロット、履歴、デバッグ、ワークスペース管理のためのツールを備えた R 向けの統合開発環境です。

主な機能

SageMaker には、プレフィックスを除く次の主要な機能がアルファベット順に含まれています SageMaker。

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。
AutoML ステップ: パイプラインでモデルを自動的にトレーニングする AutoML SageMaker ジョブを作成します。
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。
共有スペースでコラボレーション: 共有スペースは、共有 JupyterServer アプリケーションと共有ディレクトリで構成されます。Amazon SageMaker 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。
SageMaker Data Wrangler: SageMaker Studio でデータをインポート、分析、準備、特徴化します。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。
Data Wrangler データ準備ウィジェット: データを操作し、視覚化し、実用的なインサイトを探索して、データ品質の問題を修正します。
SageMaker デバッガー: 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 Edge マネージャー: 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 推論: 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 実験: 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 Feature Store: 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 Ground Truth Plus: 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。
推論、シャドーテスト: 現在デプロイされているインフラストラクチャのパフォーマンスと比較して、モデルを提供するインフラストラクチャへの変更を評価します。
SageMaker JumpStart: 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、およびデプロイ可能な事前トレーニング済みモデルを通じて、 SageMaker 機能と機能について説明します。モデルを微調整してデプロイすることもできます。
SageMaker ML 系統追跡: 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: ジョブと SageMaker直接統合された機械学習パイプラインを作成および管理します。
SageMaker モデルカード: ML モデルに関する情報を 1 か所に文書化して、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を合理化します。
SageMaker モデルダッシュボード: アカウント内すべてのモデルの視覚的な概要が事前に構築されています。Model Dashboard は、 SageMaker Model Monitor、変換ジョブ、エンドポイント、系統追跡、からの情報を統合 CloudWatch するため、高レベルのモデル情報にアクセスし、1 つの統合ビューでモデルのパフォーマンスを追跡できます。
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。
ノートブックベースのワークフロー: SageMaker Studio ノートブックを、非インタラクティブなスケジュールされたジョブとして実行します。
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: SageMaker プロジェクトを使用して CI/CD で end-to-end ML ソリューションを作成します。
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 ロールマネージャー: 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 アクティビティに対する最小特権のアクセス許可を定義できます。
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。
Studio Classic Git 拡張機能: Git リポジトリの URL を入力し、環境にクローンを作成し、変更をプッシュし、コミット履歴を表示するための Git 拡張機能。
SageMaker Studio Notebooks: AWS IAM Identity Center (IAM Identity Center) 統合、起動時間の短縮、シングルクリック共有などの次世代 SageMaker ノートブック。
SageMaker Studio Notebooks と Amazon EMR: SageMaker Studio から直接、単一のアカウントおよびクロスアカウント設定で Amazon EMR クラスターを簡単に検出、接続、作成、終了、管理できます。
SageMaker Training Compiler: によって管理されるスケーラブルな GPU インスタンスで深層学習モデルを迅速にトレーニングします SageMaker。

ブラウザで JavaScript が無効になっているか、使用できません。

AWS ドキュメントを使用するには、JavaScript を有効にする必要があります。手順については、使用するブラウザのヘルプページを参照してください。

ドキュメントの表記規則

Amazon での機械学習の概要 SageMaker

使用を開始する