亚马逊发布了用于机器学习的SageMaker Studio IDE

　　在一篇博客文章中，人工智能和ML福音传道者朱利安·西蒙概述了这项新服务。亚马逊SageMaker Studio集成了几个新的AWSML产品，也在Re：Invent上宣布，包括AmazonSage Maker笔记本、AmazonSage Maker实验、AmazonSage Maker自动驾驶仪、AmazonSage Maker调试器和AmazonSage Maker模型监视器。据Simon说：

　　SageMaker Studio基于JupyterLab，这是Jupyter项目的下一代接口。项目Jupyter的笔记本是数据科学家用来探索数据和ML算法的最常见的环境之一..SageMaker一直支持笔记本实例，要求用户登录AWS并提供虚拟机。新推出的笔记本电脑承诺“以秒为单位”推出，并支持通过与AWS的单点登录（SSO）服务集成与多个用户共享，允许用户在不需要AWS特定凭据的情况下访问托管在AWS的笔记本电脑。

　　SageMaker Studio包括与新的SageMaker Experiments服务的集成，该服务旨在帮助ML从业人员管理大量相关的培训工作；这是在搜索导致最佳性能模型的超参数时出现的问题。在2018年，SageMaker引入了超参数调优作业；SageMaker Experiments通过引入两个核心概念提供了一个抽象层：一个试验，这是一个具有一定配置和超参数集的培训工作，以及一个实验，这是一组相关的试验。SageMaker Studio集成允许简单地创建新的实验，以及通过绘制模型精度等度量来可视化试验结果的能力。SageMaker Studio集成了另一个新服务SageMaker Autopilot，它可以自动生成和运行实验，只给出一个包含数据集的文件。自动驾驶运行数据预处理和特征工程作业，在运行超参数调优作业之前推断最佳模型体系结构，以找到该模型的最佳拟合。

　　SageMaker Debugger是一种新的服务，它通过记录表示模型在整个培训生命周期中的状态的张量数据，为模型培训提供可见性。为了帮助检测和排除可能导致培训工作失败的培训问题，如消失梯度，Debugger支持流行的深度学习框架TensorFlow、PyTorch和MXNet，还支持TensorFlow的Tensor Board格式。SageMaker Studio提供数据的可视化，例如损失曲线，以及检查调试日志。

　　最后的工作室集成是与SageMaker模型监视器，一种新的服务，监测ML模型的质量在生产中。SageMaker一直支持具有推理端点的模型的快速Web部署，它创建了一个Web服务，将新的数据观测作为输入，并输出模型预测。新服务可以通过分析传入的数据点来监控“数据漂移”，以确保它们遵循历史趋势。SageMaker Studio与ModelMonitor集成，提供数据度量和违反规则的可视化。

　　亚马逊SageMaker于2017年在Re：Invent上首次宣布，并自那以来增加了一些新功能，包括用于自动数据标签的SageMaker地面真相和用于边缘设备上的模型部署的SageMaker Neo。今年的Re：Invent公告促使Reddit上的一位用户评论说：

​

　　对于一家专门从事自助服务的大公司来说，自动驾驶是......低垂的果实，这样添加才有意义。[SageMaker]Studio是迈向更传统的数据科学平台体验的一步，像Domino或Cloudera数据科学工作台会给你带来这样的体验。将来看到这种情况如何改善会很有趣。模型监视器是一个很好的触摸。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！