Definition

Was ist Amazon SageMaker?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Amazon SageMaker ist ein voll verwalteter Cloud-Service von Amazon, der im Rahmen der Amazon Web Services (AWS) verfügbar ist. Mithilfe des Dienstes lassen sich Machine-Learning-Modelle schneller und einfacher erstellen, trainieren und für produktive Zwecke bereitstellen. Genutzt wird Amazon SageMaker beispielsweise von Datenwissenschaftlern oder Entwicklern.

Bei Amazon SageMaker handelt es sich um einen voll verwalteten Machine-Learning-Service auf Basis der Cloud-Infrastruktur von Amazon. Er wird im Rahmen der Amazon Web Services angeboten und ist über das Internet nutzbar. Ziel von Amazon SageMaker ist es, das Erstellen, Trainieren und Bereitstellen von Machine-Learning-Modellen für Entwickler und Datenwissenschaftler zu vereinfachen, zu beschleunigen und die Kosten zu reduzieren.

Sämtliche Einzelschritte der Machine-Learning-Prozesse werden von Amazon SageMaker unterstützt. Das reicht von der Datenerkundung und -aufbereitung über das Erstellen und Trainieren der Modelle bis zum Echtbetrieb eines trainierten Modells. Für die Einzelphasen des Machine-Learning-Zyklus stehen Tools mit webbasierten Benutzeroberflächen zur Verfügung. Auch der Einsatz von Machine-Learning-Modellen auf Endgeräten und Embedded Systems wird unterstützt. Gestartet ist Amazon SageMaker im Jahr 2017. Der Service basiert auf einen nutzungsabhängigen Kostenmodell. Weitere Merkmale von Amazon SageMaker sind die Unterstützung von Jupyter-Notebooks, gute Skalierungsmöglichkeiten und die Kompatibilität mit führenden Deep-Learning-Frameworks wie Apache MXNet, TensorFlow, PyTorch, Keras, Horovod und andere.

Der Funktionsumfang von Amazon SageMaker

Amazon SageMaker bietet einen großen Funktionsumfang, der Entwickler und Datenwissenschaftler in verschiedenen Phasen und auf unterschiedlichen Funktionsebenen des Machine Learnings unterstützt. Auf der obersten Ebene stellt SageMaker bereits vortrainierte Machine-Learning-Modelle bereit, die sich direkt für eigene Anwendungen einsetzen lassen. Als weitere Funktionsebene beinhaltet SageMaker diverse Machine-Learning-Algorithmen, mit denen sich Modelle trainieren lassen. Zur Erstellung eigener Machine-Learning-Algorithmen sind Deep-Learning-Frameworks wie Apache MXNet oder TensorFlow nutzbar.

Amazon SageMaker ist vollständig in die Amazon Web Services integriert und erlaubt die Anbindung und Verwendung anderer AWS-Services wie Datenbanken, Batchprozessing oder Amazon Kinesis (Erfassung, Verarbeitung und Analyse von Streaming-Daten in Echtzeit). Trainierte Modelle sind mit geringem Aufwand und wenigen Klicks für den Echtbetrieb in verschiedenen Amazon Availability Zones bereitstellbar. Anwendungen können sich über API-Aufrufe mit den Machine-Learning-Instanzen verbinden

Komponenten und Tools von Amazon SageMaker

Amazon SageMaker besteht aus einer Vielzahl verschiedener Komponenten und Tools, die teilweise über webbasierte grafische Oberflächen nutzbar sind. Wichtige Bestandteile sind unter anderem:

  • Amazon SageMaker Studio
  • Amazon SageMaker Autopilot
  • Amazon SageMaker Notebooks
  • Amazon SageMaker Modell Monitor
  • Amazon SageMaker Experiments
  • Amazon SageMaker Neo
  • Amazon SageMaker Debugger
  • Amazon SageMaker Ground Truth

Amazon SageMaker Studio stellt eine webbasierte Benutzeroberfläche zur Verfügung, in der die einzelnen Arbeitsschritte des Machine Learnings ausgeführt werden. Es ermöglicht die Kontrolle, Steuerung und den Einblick in die Prozesse des Erstellens, des Trainierens und des Bereitstellens der Modelle. Mit Amazon SageMaker Studio lassen sich über eine einheitliche Benutzeroberfläche beispielsweise Notebooks erstellen, Modelle optimieren oder Machine-Learning-Prozesse debuggen.

Amazon SageMaker Autopilot gestattet das automatische Erstellen, Trainieren und Optimieren von Machine-Learning-Modellen mit vollständiger Sichtbarkeit. Mithilfe des Autopilots lassen sich Rohdaten automatisiert prüfen, optimale Algorithmen wählen und die Leistungen der Modelle verfolgen. Der Autopilot ermöglicht die Auswahl des für einen bestimmte Anwendung am besten geeigneten Modells.

Der Amazon SageMaker Modell Monitor erlaubt die Erkennung von Konzeptabweichungen implementierter Modelle und die Behebung der Abweichungen. Amazon SageMaker Ground Truth ist zum Erstellen und Verwalten von Trainingsdatensätzen vorgesehen. Amazon SageMaker Experiments ermöglicht die Organisation und Nachverfolgung der Iterationen der Machine-Learning-Modelle, indem Ergebnisse, Eingangsparameter und Konfigurationen automatisch erfasst und gespeichert werden. Mit dem Amazon SageMaker Debugger werden Trainingsprozesse transparenter. Metriken des Debuggers lassen sich über das SageMaker Studio visualisieren.

Amazon SageMaker und Jupyter-Notebooks

Amazon SageMaker integriert und unterstützt das Konzept der Jupyter-Notebooks. Jupyter-Notebooks sind Open-Source-Webanwendungen und enthalten die notwendigen Libraries, Treiber und Pakete für die jeweiligen Deep-Learning-Frameworks. Sie laufen in einer Notebook-Instanz. In Amazon SageMaker sind viele vordefinierte Notebooks für unterschiedliche Anwendungsfälle verfügbar.

Das Kostenmodell von SageMaker

Amazon SageMaker basiert auf einem nutzungsabhängigen Abrechnungsmodell. Es entstehen nur Kosten für tatsächlich verwendete Ressourcen. Mindestgebühren oder Vorausleistungen sind nicht zu zahlen. Die Preise setzen sich aus den genutzten ML-Instanzen, dem genutzten Speicher, den Trainingszeiten und der Menge an Daten zusammen. Das Deployment der Modelle verursacht ebenfalls Kosten.

Vorteile von Amazon SageMaker

Die Vorteile durch den Einsatz von Amazon SageMaker sind, kurz zusammengefasst, folgende:

  • schnelleres und einfacheres Erstellen, Trainieren und Bereitstellen von Machine-Learning-Modellen
  • voll verwalteter Webservice
  • über das Internet nutzbar
  • Unterstützung sämtlicher Zyklen des Machine-Learning-Prozesses
  • geeignet für Entwickler und Datenwissenschaftler
  • gute Skalierbarkeit
  • Unterstützung zahlreicher Deep-Learning-Frameworks
  • Unterstützung von Jupyter-Notebooks
  • nutzungsabhängiges Abrechnungsmodell
  • Nutzung über webbasierte Benutzeroberfläche möglich

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

AWS baut Redshift und SageMaker aus

Nachbericht AWS re:invent Las Vegas

AWS baut Redshift und SageMaker aus

Amazon Web Services (AWS) hat kürzlich auf seiner Kundenkonferenz AWS re:Invent den 65.000 Besuchern zahlreiche neue Services für Datenbanken und Analysefunktionen vorgestellt. Sie sollen Kunden besonders dabei unterstützen, große Datenmengen zu verarbeiten. Neuerungen in der KI-Entwicklungsumgebung Amazon SageMaker decken die gesamte Prozesskette bis hin zur Überwachung der KI-Modelle ab. lesen

AWS bringt einsatzfertige analytische Applikationsdienste

Künstliche Intelligenz und Machine Learning

AWS bringt einsatzfertige analytische Applikationsdienste

Auf der AWS re:invent gehörten Machine Learning und Künstliche Intelligenz (KI) zu den wichtigsten Themen. Der Public-Cloud-Provider tut einiges dafür, seinen Kunden den Einsatz von KI-Algorithmen einfacher zu machen. lesen

Python-Bibliothek soll KI-Entwicklung vereinfachen

FastAi

Python-Bibliothek soll KI-Entwicklung vereinfachen

Das Start-up FastAi hat eine speziell auf Deep Learning abzielende Python-Bibliothek angekündigt. Die unter Open-Source-Lizenz veröffentlichte Library soll Entwicklern die Aufgabe erleichtern, funktionale Künstliche Intelligenz zu entwickeln. lesen

IBM integriert mit offenen Plattformen

AI OpenScale, Security Connect, Multicloud Manager

IBM integriert mit offenen Plattformen

Mit drei offenen Plattformen positioniert sich IBM als anbieterübergreifender Integrator für künstliche Intelligenz, Security und Multicloud. lesen

IBM sorgt für mehr KI-Transparenz

Cloud-basierte Software

IBM sorgt für mehr KI-Transparenz

Mit einer neuen Technologie will IBM mehr Transparenz in den Bereich der Künstlichen Intelligenz (KI) bringen. Die entsprechende IBM-Cloud-basierte Software deckt systematische Fehler in Daten und KI-Modellen auf und bietet passende Lösungsvorschläge. lesen

AWS IoT Analytics jetzt allgemein verfügbar

Amazon Web Services

AWS IoT Analytics jetzt allgemein verfügbar

Amazon Web Services (AWS) macht AWS IoT Analytics allgemein verfügbar. Nutzer können damit IoT-Daten sammeln und auswerten, um beispielsweise Predictive Maintenance zu betreiben. Außerdem erschließt AWS IoT Services den Zugang zum maschinellen Lernen. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46310567 / Definitionen)