AWS發(fā)布九項(xiàng)Amazon SageMaker新功能

作者：佚名 2020-12-15 13:18:29

人工智能

云計(jì)算 12月9日，在亞馬遜云服務(wù)（AWS）舉辦的年度盛會(huì)——AWS re:Invent上，AWS宣布為其業(yè)界領(lǐng)先的機(jī)器學(xué)習(xí)服務(wù)Amazon SageMaker推出九項(xiàng)新的功能，使開發(fā)人員更容易自動(dòng)化、規(guī)?；臉?gòu)建端到端的機(jī)器學(xué)習(xí)工作流。

專注于為中小企業(yè)提供網(wǎng)站制作、網(wǎng)站建設(shè)服務(wù),電腦端+手機(jī)端+微信端的三站合一,更高效的管理,為中小企業(yè)仙游免費(fèi)做網(wǎng)站提供優(yōu)質(zhì)的服務(wù)。我們立足成都，凝聚了一批互聯(lián)網(wǎng)行業(yè)人才，有力地推動(dòng)了上千余家企業(yè)的穩(wěn)健成長(zhǎng)，幫助中小企業(yè)通過(guò)網(wǎng)站建設(shè)實(shí)現(xiàn)規(guī)模擴(kuò)充和轉(zhuǎn)變。

12月9日，在亞馬遜云服務(wù)（AWS）舉辦的年度盛會(huì)——AWS re:Invent上，AWS宣布為其業(yè)界領(lǐng)先的機(jī)器學(xué)習(xí)服務(wù)Amazon SageMaker推出九項(xiàng)新的功能，使開發(fā)人員更容易自動(dòng)化、規(guī)?；臉?gòu)建端到端的機(jī)器學(xué)習(xí)工作流。今天的發(fā)布匯集了多項(xiàng)強(qiáng)大的新功能，包括更易用的數(shù)據(jù)預(yù)處理、專用的特征存儲(chǔ)、自動(dòng)化工作流、更多的訓(xùn)練數(shù)據(jù)可見(jiàn)性以減少數(shù)據(jù)傾斜和更好的預(yù)測(cè)解釋、大型模型的分布式訓(xùn)練速度可最多提升兩倍，以及監(jiān)控邊緣設(shè)備上的模型。

機(jī)器學(xué)習(xí)日益成為主流，但它仍在快速發(fā)展。隨著機(jī)器學(xué)習(xí)受到廣泛關(guān)注，機(jī)器學(xué)習(xí)模型的創(chuàng)建似乎應(yīng)該很簡(jiǎn)單，但事實(shí)并非如此。為了創(chuàng)建一個(gè)模型，開發(fā)人員需要先準(zhǔn)備數(shù)據(jù)，而數(shù)據(jù)準(zhǔn)備是重度依賴人工手動(dòng)工作的。然后，他們將數(shù)據(jù)可視化以進(jìn)行數(shù)據(jù)探索，選擇合適的算法和框架，訓(xùn)練模型，調(diào)整和優(yōu)化模型訓(xùn)練參數(shù)，部署模型，并監(jiān)控其性能。這個(gè)過(guò)程需要不斷重復(fù)，才能確保模型在一段時(shí)間內(nèi)的表現(xiàn)符合預(yù)期。在過(guò)去，只有最熟練的開發(fā)人員才能開展機(jī)器學(xué)習(xí)相關(guān)的工作。然而，Amazon SageMaker 已經(jīng)改變了這一現(xiàn)狀。Amazon SageMaker 是一項(xiàng)全托管的服務(wù)，它消除了機(jī)器學(xué)習(xí)過(guò)程中每個(gè)階段的挑戰(zhàn)，使開發(fā)人員和數(shù)據(jù)科學(xué)家能夠從根本上更輕松、更快速地構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型。數(shù)以萬(wàn)計(jì)的客戶利用Amazon SageMaker加速了他們的機(jī)器學(xué)習(xí)應(yīng)用的開發(fā)和部署，包括3M、ADP、阿斯利康、Avis、拜耳、Bundesliga、Capital One、Cerner、Chick-fil-A、Convoy、達(dá)美樂(lè)比薩、富達(dá)投資、GE醫(yī)療、Georgia-Pacific、赫斯特、iFood、iHeartMedia、摩根大通、Intuit、聯(lián)想、Lyft、國(guó)家橄欖球聯(lián)盟、Nerdwallet、T-Mobile、湯森路透、Vanguard等等。

AWS在過(guò)去一年已經(jīng)交付了50多項(xiàng)Amazon SageMaker的新功能。在此基礎(chǔ)上，今天的發(fā)布使得開發(fā)人員和數(shù)據(jù)科學(xué)家更容易準(zhǔn)備、構(gòu)建、訓(xùn)練、部署和管理機(jī)器學(xué)習(xí)模型。

?Amazon SageMaker Data Wrangler 實(shí)現(xiàn)數(shù)據(jù)準(zhǔn)備自動(dòng)化。Amazon SageMaker Data Wrangler 為機(jī)器學(xué)習(xí)數(shù)據(jù)準(zhǔn)備提供了快速、簡(jiǎn)便的工具。機(jī)器學(xué)習(xí)的數(shù)據(jù)準(zhǔn)備是一個(gè)復(fù)雜的過(guò)程。這種復(fù)雜在于：用于訓(xùn)練機(jī)器學(xué)習(xí)模型的數(shù)據(jù)字段（也稱為特征）通常來(lái)自不同的來(lái)源，并且格式多樣。這意味著開發(fā)人員必須花費(fèi)相當(dāng)多的時(shí)間提取和規(guī)范這些數(shù)據(jù)?？蛻粢部赡芟Ｍ麑⑻卣鹘M合成復(fù)合特征，以向機(jī)器學(xué)習(xí)模型提供更多有用的輸入。例如，客戶可能希望創(chuàng)建一個(gè)復(fù)合特征來(lái)描述一組經(jīng)常消費(fèi)的客戶，結(jié)合以前購(gòu)買的項(xiàng)目、消費(fèi)金額和購(gòu)買頻率等特征，為他們提供會(huì)員獎(jiǎng)勵(lì)。將數(shù)據(jù)轉(zhuǎn)化為特征的工作稱為特征工程，在構(gòu)建機(jī)器學(xué)習(xí)模型流程中要消耗開發(fā)人員大量的時(shí)間。Amazon SageMaker Data Wrangler 從根本上簡(jiǎn)化了數(shù)據(jù)準(zhǔn)備和特征工程的工作。通過(guò)Amazon SageMaker Data Wrangler，客戶可以從各種數(shù)據(jù)存儲(chǔ)中選擇他們想要的數(shù)據(jù)，并一鍵導(dǎo)入。Amazon SageMaker Data Wrangler 包含超過(guò) 300 個(gè)內(nèi)置的數(shù)據(jù)轉(zhuǎn)換器，可以幫助客戶在無(wú)需編寫任何代碼的情況下，對(duì)特征進(jìn)行規(guī)范化、轉(zhuǎn)換和組合?？蛻艨梢酝ㄟ^(guò)在SageMaker Studio（首個(gè)用于機(jī)器學(xué)習(xí)的端到端集成開發(fā)環(huán)境）中查看這些轉(zhuǎn)換，快速預(yù)覽和檢查這些轉(zhuǎn)換是否符合預(yù)期。特征設(shè)計(jì)出來(lái)之后，Amazon SageMaker Data Wrangler會(huì)把它們保存在 Amazon SageMaker Feature Store 中，以供重復(fù)使用。

?Amazon SageMaker Feature Store存儲(chǔ)和管理機(jī)器學(xué)習(xí)特征。Amazon SageMaker Feature Store 提供了一個(gè)新的存儲(chǔ)庫(kù)，可以輕松地存儲(chǔ)、更新、檢索和共享用于訓(xùn)練和推理的機(jī)器學(xué)習(xí)特征。當(dāng)前，客戶可以將他們的特征保存到Amazon Simple Storage Service（S3）。如果只是簡(jiǎn)簡(jiǎn)單單把一組特征用于一個(gè)模型，這種做法是可行的。但實(shí)際情況是，大多數(shù)特征并不是只用于一個(gè)模型，而是被多個(gè)開發(fā)人員和數(shù)據(jù)科學(xué)家重復(fù)用于多個(gè)模型中。當(dāng)創(chuàng)建了新的特征時(shí)，開發(fā)人員也希望能夠重復(fù)使用這些特征。這樣就導(dǎo)致需要管理多個(gè)S3對(duì)象，并將變得越來(lái)越難以管理。開發(fā)人員和數(shù)據(jù)科學(xué)家試圖使用電子表格、筆記和電子郵件來(lái)解決這個(gè)問(wèn)題。他們甚至要嘗試開發(fā)一個(gè)應(yīng)用程序來(lái)跟蹤管理特征，但這個(gè)工作量很大，而且容易出錯(cuò)。此外，開發(fā)人員和數(shù)據(jù)科學(xué)家不僅需要使用這些相同的特征和所有可用的數(shù)據(jù)來(lái)訓(xùn)練多個(gè)模型，這個(gè)過(guò)程可能耗時(shí)長(zhǎng)達(dá)幾個(gè)小時(shí)，而且還需要在推理時(shí)使用這些特征，這需要在幾毫秒內(nèi)返回預(yù)測(cè)結(jié)果，并且往往只使用相關(guān)特征的一個(gè)子集。例如，開發(fā)人員可能希望創(chuàng)建一個(gè)預(yù)測(cè)播放列表中下一首最佳歌曲的模型。要做到這一點(diǎn)，開發(fā)人員要在數(shù)千首歌曲上訓(xùn)練模型，然后在推理過(guò)程中向模型提供最后播放的三首歌曲，以預(yù)測(cè)下一首歌曲。訓(xùn)練和推理是非常不同的使用場(chǎng)景。在訓(xùn)練過(guò)程中，模型可以離線、批量地訪問(wèn)特征，對(duì)于推理，模型需要實(shí)時(shí)的訪問(wèn)特征子集。由于機(jī)器學(xué)習(xí)模型使用一樣的特征源，并且需要保持?jǐn)?shù)據(jù)的一致性，然而這兩種不同的訪問(wèn)模式，使得開發(fā)者不容易保持特征的一致性和更新的及時(shí)性。Amazon SageMaker Feature Store 解決了這一問(wèn)題，它提供了一個(gè)專門構(gòu)建的特征庫(kù)，供開發(fā)人員訪問(wèn)和共享特征，使開發(fā)人員和數(shù)據(jù)科學(xué)家團(tuán)隊(duì)容易協(xié)調(diào)特征的命名、組織、查找和共享。Amazon SageMaker Feature Store 集成在 Amazon SageMaker Studio 中，它可以為推理提供單毫秒級(jí)的低延遲訪問(wèn)。Amazon SageMaker Feature Store 使得開發(fā)人員可以簡(jiǎn)單方便地組織和更新用于訓(xùn)練的大批量特征，以及用于推理的小批量特征子集。這樣，就為機(jī)器學(xué)習(xí)模型提供了一致的特征視圖，降低生成模型的難度，并提供高精度的預(yù)測(cè)。

?Amazon SageMaker Pipelines 實(shí)現(xiàn)工作流管理和自動(dòng)化。Amazon SageMaker Pipelines是第一個(gè)專門為機(jī)器學(xué)習(xí)構(gòu)建的、易于使用的CI/CD（持續(xù)集成和持續(xù)交付）服務(wù)?？蛻粼谔卣鞴こ讨锌梢园l(fā)現(xiàn)，機(jī)器學(xué)習(xí)包含的多個(gè)步驟都可以受益于編排和自動(dòng)化。這與傳統(tǒng)的編程并無(wú)二致。在傳統(tǒng)編程中，客戶有CI/CD等工具幫助他們更快地開發(fā)和部署應(yīng)用程序。然而，目前的機(jī)器學(xué)習(xí)中很少使用CI/CD工具，因?yàn)橐礇](méi)有這樣的工具，要么難以設(shè)置、配置和管理。借助 Amazon SageMaker Pipelines，開發(fā)人員可以定義端到端機(jī)器學(xué)習(xí)工作流的每一步。這些工作流包括數(shù)據(jù)加載步驟、用Amazon SageMaker Data Wrangler 做轉(zhuǎn)換、在 Amazon SageMaker Feature Store保存特征、訓(xùn)練配置及算法設(shè)置、調(diào)試步驟，以及優(yōu)化步驟。通過(guò) Amazon SageMaker Pipelines，開發(fā)人員可以輕松地從 Amazon SageMaker Studio 使用相同的設(shè)置重復(fù)運(yùn)行端到端工作流，，每次都能獲得完全相同的模型，或者，他們可以定期使用新數(shù)據(jù)重新運(yùn)行工作流，更新模型。每次運(yùn)行工作流時(shí)，Amazon SageMaker Pipelines 都會(huì)記錄 Amazon SageMaker Experiments（Amazon SageMaker 的一項(xiàng)功能，用于組織和跟蹤機(jī)器學(xué)習(xí)實(shí)驗(yàn)和模型版本）中的每個(gè)步驟。這有助于開發(fā)人員可視化并進(jìn)行機(jī)器學(xué)習(xí)模型的迭代、訓(xùn)練參數(shù)和結(jié)果比較。借助 Amazon SageMaker Pipelines，工作流可以在團(tuán)隊(duì)之間共享和重復(fù)使用，既可以重新創(chuàng)建模型，也可以作為一個(gè)通過(guò)新的特征、算法或優(yōu)化改進(jìn)模型的起點(diǎn)。

? 使用Amazon SageMaker Clarify 進(jìn)行偏差檢測(cè)和模型解釋。Amazon SageMaker Clarify 在整個(gè)機(jī)器學(xué)習(xí)工作流中提供偏差檢測(cè)，使開發(fā)人員能夠在其模型中實(shí)現(xiàn)更大的公平性和更高的透明度。一旦開發(fā)人員為訓(xùn)練和推理準(zhǔn)備了數(shù)據(jù)，就需要盡量確保數(shù)據(jù)沒(méi)有統(tǒng)計(jì)偏差，并且模型預(yù)測(cè)是透明的，以便可以解釋模型特征是如何預(yù)測(cè)的。如今，開發(fā)人員有時(shí)會(huì)嘗試使用開源工具檢測(cè)數(shù)據(jù)中的統(tǒng)計(jì)偏差，但這些工具需要大量的人工編程的工作，而且經(jīng)常容易出錯(cuò)。借助 Amazon SageMaker Clarify，開發(fā)人員現(xiàn)在可以更輕松地檢測(cè)整個(gè)機(jī)器學(xué)習(xí)工作流中的統(tǒng)計(jì)偏差，并為其機(jī)器學(xué)習(xí)模型所做的預(yù)測(cè)提供解釋。Amazon SageMaker Clarify已集成到Amazon SageMaker Data Wrangler，它運(yùn)行了一系列基于特征數(shù)據(jù)的算法，用以識(shí)別數(shù)據(jù)準(zhǔn)備過(guò)程中的偏差，并且清晰描述可能的偏差來(lái)源及其嚴(yán)重程度。這樣，開發(fā)人員就可以采取措施來(lái)減小偏差。Amazon SageMaker Clarify還與Amazon SageMaker Experiments集成，使開發(fā)人員更容易地檢查訓(xùn)練好的模型是否存在統(tǒng)計(jì)偏差。它還詳細(xì)說(shuō)明了輸入到模型中的每個(gè)特征是如何影響預(yù)測(cè)的。最后，Amazon SageMaker Clarify 與 Amazon SageMaker Model Monitor（Amazon SageMaker 的一項(xiàng)功能，可持續(xù)監(jiān)控正式使用中的機(jī)器學(xué)習(xí)模型的質(zhì)量）集成，一旦模型特征的重要性發(fā)生偏移，導(dǎo)致模型預(yù)測(cè)質(zhì)量發(fā)生改變，它就會(huì)提醒開發(fā)人員。

? 用Deep Profiling for Amazon SageMaker Debugger 做模型訓(xùn)練剖析。Deep Profiling for Amazon SageMaker Debugger能夠自動(dòng)監(jiān)控系統(tǒng)資源利用率，為訓(xùn)練瓶頸提供告警，以方便開發(fā)者更快地訓(xùn)練模型。當(dāng)前，開發(fā)人員沒(méi)有一個(gè)標(biāo)準(zhǔn)的監(jiān)控系統(tǒng)利用率的方法（例如 GPU、CPU、網(wǎng)絡(luò)吞吐量和內(nèi)存 I/O）以識(shí)別和排除訓(xùn)練作業(yè)中的瓶頸。因此，開發(fā)人員無(wú)法以最快的速度、最高的成本效益來(lái)訓(xùn)練模型。Amazon SageMaker Debugger 通過(guò)最新的 Deep Profiling功能解決了這一問(wèn)題，該功能為開發(fā)人員提供了在 Amazon SageMaker Studio 中可視化剖析和監(jiān)控系統(tǒng)資源利用率的能力。這讓開發(fā)人員更容易尋根問(wèn)底，減少訓(xùn)練機(jī)器學(xué)習(xí)模型的時(shí)間和成本。借助這些新功能，Amazon SageMaker Debugger 擴(kuò)大了監(jiān)控系統(tǒng)資源利用率的范圍，在 Amazon SageMaker Studio 中或通過(guò) AWS CloudWatch 發(fā)送訓(xùn)練期間的問(wèn)題告警，將使用情況關(guān)聯(lián)到訓(xùn)練作業(yè)中的不同階段，或者訓(xùn)練期間的特定時(shí)間點(diǎn)（如訓(xùn)練作業(yè)開始后 第28 分鐘）。Amazon SageMaker Debugger 還可以根據(jù)告警觸發(fā)行動(dòng)（例如，當(dāng)檢測(cè)到 GPU 使用情況不正常時(shí)，即停止訓(xùn)練作業(yè)）。Amazon SageMaker Debugger Deep Profiling 可以用于PyTorch、Apache MXNet 和 TensorFlow的訓(xùn)練任務(wù)，自動(dòng)收集必要的系統(tǒng)和訓(xùn)練指標(biāo)，無(wú)需在訓(xùn)練腳本中更改任何代碼。這允許開發(fā)人員在Amazon SageMaker Studio中可視化其訓(xùn)練期間的系統(tǒng)資源使用情況。

? 用Distributed Training on Amazon SageMaker縮短訓(xùn)練時(shí)間。Distributed Training on Amazon SageMaker使得訓(xùn)練大型復(fù)雜深度學(xué)習(xí)模型的速度比當(dāng)前的方法快兩倍。當(dāng)前，高級(jí)的機(jī)器學(xué)習(xí)使用場(chǎng)景，例如智能助手的自然語(yǔ)言處理、自動(dòng)駕駛車輛的對(duì)象檢測(cè)和分類，以及大規(guī)模內(nèi)容審核的圖像分類，需要越來(lái)越大的數(shù)據(jù)集和更多的GPU (圖形處理單元 ) 內(nèi)存進(jìn)行訓(xùn)練。然而，其中一些模型太大，無(wú)法容納在單個(gè)GPU提供的內(nèi)存中?？蛻艨梢試L試在多個(gè)GPU間拆分模型，但尋找拆分模型的最佳方式和調(diào)整訓(xùn)練代碼往往需要數(shù)周的繁瑣實(shí)驗(yàn)。為了克服這些挑戰(zhàn)，Distributed Training on Amazon SageMaker提供了兩種分布式訓(xùn)練功能，使開發(fā)人員能夠在不增加成本的情況下，將大型模型的訓(xùn)練速度提高兩倍。Distributed Training與 Amazon SageMake的 數(shù)據(jù)并行引擎一起，通過(guò)在多個(gè) GPU間自動(dòng)分割數(shù)據(jù)，將訓(xùn)練作業(yè)從一個(gè) GPU 擴(kuò)展到數(shù)百個(gè)或數(shù)千個(gè) GPU，將訓(xùn)練時(shí)間縮短多達(dá) 40%。之所以能夠縮短訓(xùn)練時(shí)間，是因?yàn)锳mazon SageMaker的數(shù)據(jù)并行引擎使用了專門的算法來(lái)管理GPU，充分利用AWS基礎(chǔ)設(shè)施，實(shí)現(xiàn)最佳同步，具有近乎線性的擴(kuò)展效率。Distributed Training 與Amazon SageMaker 模型并行引擎一起，可以自動(dòng)剖析和識(shí)別分割模型的最佳方式，在多個(gè) GPU 上高效分割具有數(shù)十億參數(shù)的大型復(fù)雜模型。它們通過(guò)使用圖分區(qū)算法來(lái)完成這樣工作，優(yōu)化了平衡計(jì)算，最大限度地減少GPU之間的通信，從而最少化代碼重構(gòu)，減少GPU內(nèi)存限制造成的錯(cuò)誤。

? 使用Amazon SageMaker Edge Manager 管理邊緣設(shè)備模型。Amazon SageMaker Edge Manager 可以幫助開發(fā)人員優(yōu)化、保護(hù)、監(jiān)控和維護(hù)部署在邊緣設(shè)備集群上的機(jī)器學(xué)習(xí)模型。目前，客戶使用Amazon SageMaker Neo為邊緣設(shè)備優(yōu)化模型，這使得模型的運(yùn)行速度可以提高到多達(dá)兩倍，且內(nèi)存占用率不到十分之一，準(zhǔn)確性也沒(méi)有損失。然而，在邊緣設(shè)備上部署后，客戶仍然需要管理和監(jiān)控模型，以確保它們?nèi)匀灰愿呔冗\(yùn)行。Amazon SageMaker Edge Manager 可以優(yōu)化模型，使其在目標(biāo)設(shè)備上運(yùn)行得更快，并為邊緣設(shè)備管理模型，以便客戶可以在邊緣設(shè)備集群中準(zhǔn)備、運(yùn)行、監(jiān)控和更新機(jī)器學(xué)習(xí)模型。客戶可以使用Amazon SageMaker Edge Manager對(duì)其模型進(jìn)行加密簽名，從邊緣設(shè)備上傳預(yù)測(cè)數(shù)據(jù)到 Amazon SageMaker以進(jìn)行監(jiān)控和分析，并在 Amazon SageMaker 控制臺(tái)中查看報(bào)表，來(lái)跟蹤和可視化模型的運(yùn)行狀況。Amazon SageMaker Edge Manager 擴(kuò)展了以前只能在云端使用的功能，它可以從邊緣設(shè)備中采樣數(shù)據(jù)，將其發(fā)送到 Amazon SageMaker Model Monitor進(jìn)行分析，當(dāng)模型的準(zhǔn)確性隨著時(shí)間的推移而下降時(shí)，重新訓(xùn)練模型以便開發(fā)人員不斷提高模型的質(zhì)量。

? 通過(guò)Amazon SageMaker JumpStart 開啟機(jī)器學(xué)習(xí)之旅。Amazon SageMaker JumpStart 為開發(fā)人員提供了一個(gè)易于使用、可搜索的界面，用于查找同類最佳解決方案、算法和notebook示例。當(dāng)前，缺乏機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的客戶很難開始機(jī)器學(xué)習(xí)部署，而高級(jí)的開發(fā)人員發(fā)現(xiàn)很難將機(jī)器學(xué)習(xí)應(yīng)用到所有應(yīng)用場(chǎng)景。通過(guò)Amazon SageMaker JumpStart，客戶現(xiàn)在可以快速找到針對(duì)其機(jī)器學(xué)習(xí)場(chǎng)景的相關(guān)信息。新接觸機(jī)器學(xué)習(xí)的開發(fā)人員可以從多個(gè)完整的端到端機(jī)器學(xué)習(xí)解決方案中進(jìn)行選擇（例如欺詐檢測(cè)、客戶流失預(yù)測(cè)或時(shí)序預(yù)測(cè)），并且可以直接部署到Amazon SageMaker Studio環(huán)境中。有經(jīng)驗(yàn)的用戶則可以從一百多個(gè)機(jī)器學(xué)習(xí)模型中選擇，快速開始模型構(gòu)建和訓(xùn)練。

AWS負(fù)責(zé)亞馬遜機(jī)器學(xué)習(xí)的副總裁Swami Sivasubramanian表示："成千上萬(wàn)的開發(fā)人員和數(shù)據(jù)科學(xué)家已經(jīng)使用我們業(yè)界領(lǐng)先的機(jī)器學(xué)習(xí)服務(wù)Amazon SageMaker，消除了他們?cè)跇?gòu)建、訓(xùn)練和部署定制化機(jī)器學(xué)習(xí)模型時(shí)的障礙。擁有SageMaker這樣一個(gè)廣泛采用的服務(wù)，最大的好處就是受益于很多客戶的建議，為我們的下一套產(chǎn)品的交付提供了動(dòng)力。今天，我們宣布為Amazon SageMaker提供一套工具，使開發(fā)人員更容易構(gòu)建端到端機(jī)器學(xué)習(xí)流程，準(zhǔn)備、構(gòu)建、訓(xùn)練、解釋、檢查、監(jiān)控、調(diào)試和運(yùn)行定制化機(jī)器學(xué)習(xí)模型，提供更高的可視性、可解釋性和大規(guī)模的自動(dòng)化。"

3M公司在全球70個(gè)國(guó)家運(yùn)營(yíng)，并在200個(gè)國(guó)家開展銷售業(yè)務(wù)，公司創(chuàng)造的技術(shù)和產(chǎn)品，正在推動(dòng)著每一家公司的發(fā)展，改善每一個(gè)家庭的日常生活。"3M的成功源于我們具有企業(yè)家精神的研究人員和我們對(duì)科學(xué)的持續(xù)關(guān)注。我們推進(jìn)產(chǎn)品科學(xué)化的一種方式是在AWS上使用機(jī)器學(xué)習(xí)技術(shù)。"3M企業(yè)系統(tǒng)研究實(shí)驗(yàn)室技術(shù)總監(jiān)David Frazee說(shuō)。"利用機(jī)器學(xué)習(xí)，3M正在改進(jìn)砂紙這樣久經(jīng)考驗(yàn)的產(chǎn)品，并推動(dòng)其它一些領(lǐng)域包括醫(yī)療保健在內(nèi)的創(chuàng)新。隨著我們計(jì)劃將機(jī)器學(xué)習(xí)擴(kuò)展到3M的更多領(lǐng)域，我們的數(shù)據(jù)和模型快速增長(zhǎng)，每年翻倍。我們對(duì)Amazon SageMaker的新功能充滿熱情，因?yàn)樗鼈儗椭覀償U(kuò)大規(guī)模。Amazon SageMaker Data Wrangler 使得為模型訓(xùn)練來(lái)準(zhǔn)備數(shù)據(jù)變得更容易，Amazon SageMaker Feature Store 使得我們不需要重復(fù)創(chuàng)建相同的模型特征。最后，Amazon SageMaker Pipelines 可以幫助我們將數(shù)據(jù)準(zhǔn)備、模型構(gòu)建和模型部署，變成自動(dòng)化的端到端工作流，加速模型上生產(chǎn)的時(shí)間。我們的研究人員期待著在3M公司利用這些工具，提高科學(xué)創(chuàng)新速度。"

德勤正在幫助全球各地的組織轉(zhuǎn)型。德勤不斷演進(jìn)其工作方式和看待市場(chǎng)挑戰(zhàn)的方式，不斷為客戶和社區(qū)提供可衡量、可持續(xù)的成果。德勤AI生態(tài)系統(tǒng)和平臺(tái)負(fù)責(zé)人Frank Farrall表示："Amazon SageMaker Data Wrangler提供了豐富的數(shù)據(jù)轉(zhuǎn)換工具，滿足了我們數(shù)據(jù)準(zhǔn)備的需求，縮短了新產(chǎn)品上市的時(shí)間。反過(guò)來(lái)，我們的客戶也受益于我們規(guī)模化部署的速度，使我們能夠在幾天內(nèi)、而不是幾個(gè)月內(nèi)，提供可衡量、可持續(xù)的結(jié)果，滿足客戶需求。"

英威達(dá)自2004年起成為Koch Industries的子公司，為市場(chǎng)提供尼龍6,6的專有成分，擁有STAINMASTER、CORDURA和ANTRON等的老牌品牌。它是全球最大的化學(xué)中間體、聚合物和纖維的綜合生產(chǎn)商之一。"在英威達(dá)，我們以轉(zhuǎn)型為動(dòng)力，努力開發(fā)出惠及全球客戶的產(chǎn)品和技術(shù)。"英威達(dá)首席數(shù)據(jù)科學(xué)家Caleb Wilkinson表示："我們認(rèn)為機(jī)器學(xué)習(xí)是改善客戶體驗(yàn)的一種方式。但面對(duì)數(shù)億條記錄的數(shù)據(jù)集，我們需要一個(gè)解決方案來(lái)幫助我們準(zhǔn)備數(shù)據(jù)，大規(guī)模地開發(fā)、部署和管理機(jī)器學(xué)習(xí)模型。為了加快這些流程，我們與 AWS 團(tuán)隊(duì)攜手開發(fā)了一些新特征。通過(guò)Amazon SageMaker Data Wrangler，我們現(xiàn)在可以交互式地選擇、清理、探索和有效地理解我們的數(shù)據(jù)，使我們的數(shù)據(jù)科學(xué)團(tuán)隊(duì)有能力創(chuàng)建特征工程管道，可以毫不費(fèi)力地?cái)U(kuò)展到跨越數(shù)億條記錄的數(shù)據(jù)集。我們還可以使用 Amazon SageMaker Pipelines 輕松地大規(guī)模自動(dòng)化和管理機(jī)器學(xué)習(xí)工作流，這樣我們可以輕松地將機(jī)器學(xué)習(xí)工作流的各個(gè)步驟連接在一起。結(jié)合Amazon SageMaker Data Wrangler和Amazon SageMaker Pipelines，我們可以更快地運(yùn)行機(jī)器學(xué)習(xí)工作流。"

Snowflake Data Cloud打破了阻礙不同規(guī)模企業(yè)從數(shù)據(jù)中釋放真正價(jià)值的障礙。Snowflake產(chǎn)品高級(jí)副總裁Christian Kleinerman說(shuō)："我們的企業(yè)客戶面臨的最大挑戰(zhàn)之一是為機(jī)器學(xué)習(xí)項(xiàng)目準(zhǔn)備數(shù)據(jù)。我們對(duì)Amazon SageMaker Data Wrangler感到很興奮，它使得企業(yè)為機(jī)器學(xué)習(xí)匯總和準(zhǔn)備數(shù)據(jù)變得更加容易。隨著Snowflake作為數(shù)據(jù)源加入Amazon SageMaker Data Wrangler，我們共同的客戶很快就能利用Snowflake集成的平臺(tái)能力，以及Amazon SageMaker的交互式數(shù)據(jù)準(zhǔn)備和機(jī)器學(xué)習(xí)能力?？蛻魧⒛軌虮纫郧案斓貜脑紨?shù)據(jù)中獲得機(jī)器學(xué)習(xí)模型和見(jiàn)解。"

Databricks成立于2013年，由Apache Spark?、Delta Lake和MLflow的初創(chuàng)者創(chuàng)立。它將數(shù)據(jù)工程、數(shù)據(jù)科學(xué)和數(shù)據(jù)分析匯集在一個(gè)開放、統(tǒng)一的平臺(tái)上，使數(shù)據(jù)團(tuán)隊(duì)能夠更快地進(jìn)行協(xié)作和創(chuàng)新。"在Databricks，我們致力于將數(shù)據(jù)工程和科學(xué)，與數(shù)據(jù)分析結(jié)合在一起，以便數(shù)據(jù)團(tuán)隊(duì)能夠更快地協(xié)作和創(chuàng)新，"Databricks產(chǎn)品高級(jí)副總裁Adam Conway說(shuō)。"我們期待著在2021年繼續(xù)與AWS合作，特別是我們的客戶可以無(wú)縫的體驗(yàn)到Amazon SageMaker Data Wrangler。通過(guò)這種合作關(guān)系，我們的客戶可以利用Delta Lake與Amazon SageMaker來(lái)準(zhǔn)備訓(xùn)練數(shù)據(jù)，以創(chuàng)建最準(zhǔn)確的機(jī)器學(xué)習(xí)模型。"

MongoDB Atlas是MongoDB的完全托管服務(wù)，MongoDB是一種流行的數(shù)據(jù)庫(kù)，旨在幫助團(tuán)隊(duì)快速建立、擴(kuò)展和迭代。"我們MongoDB的使命是，讓數(shù)據(jù)令人驚嘆地易于操作，釋放每個(gè)人的天賦。MongoDB Atlas運(yùn)行著超過(guò)150萬(wàn)個(gè)數(shù)據(jù)庫(kù)集群，為客戶的關(guān)鍵應(yīng)用提供動(dòng)力；我們希望根據(jù)這些應(yīng)用產(chǎn)生的數(shù)據(jù)，輕松構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型。"MongoDB首席技術(shù)官M(fèi)ark Porter說(shuō)。"我們很高興，我們的客戶現(xiàn)在可以使用Amazon SageMaker Data Wrangler，為機(jī)器學(xué)習(xí)采集和準(zhǔn)備數(shù)據(jù)的環(huán)節(jié)提供一種更快的、可視化的方式。在即將到來(lái)的2021年，我們的客戶很快能夠在Amazon SageMaker Data Wrangler中查詢、分析Amazon S3和MongoDB Atlas中的數(shù)據(jù)，使他們能夠更快地從數(shù)據(jù)中獲得更多價(jià)值。"

Intuit是一家使命驅(qū)動(dòng)的全球財(cái)務(wù)平臺(tái)公司，創(chuàng)造了引以為豪的產(chǎn)品TurboTax、QuickBooks和Mint。"我們于2017年選擇在AWS上構(gòu)建Intuit新的機(jī)器學(xué)習(xí)平臺(tái)，將Amazon SageMaker在模型開發(fā)、訓(xùn)練和托管方面的強(qiáng)大功能，與Intuit自身在編排和特征工程方面的能力相結(jié)合。"Intuit數(shù)據(jù)平臺(tái)工程副總裁Mammad Zadeh表示。"因此，我們大幅縮短了模型開發(fā)的生命周期，能夠以非常快的速度，將AI功能推進(jìn)到我們的TurboTax、QuickBooks和Mint產(chǎn)品中。這在過(guò)去需要整整六個(gè)月的時(shí)間，而現(xiàn)在只需要不到一周的時(shí)間，在Amazon SageMaker Feature Store發(fā)布之前，我們與AWS進(jìn)行了密切的協(xié)作，我們?yōu)槿泄芴卣鲙?kù)的前景感到興奮，這樣我們就不再需要在整個(gè)組織中維護(hù)多個(gè)特征庫(kù)。我們的數(shù)據(jù)科學(xué)家將能夠從一個(gè)中央特征庫(kù)中使用現(xiàn)有的特征，并且推動(dòng)各團(tuán)隊(duì)和模型之間特征的標(biāo)準(zhǔn)化和重用。"

Climate Corporation是拜耳的子公司，也是利用數(shù)字工具提高農(nóng)民生產(chǎn)力、為全球農(nóng)民帶來(lái)數(shù)字創(chuàng)新的行業(yè)領(lǐng)導(dǎo)者。Climate致力于幫助農(nóng)民以前所未有的方式了解他們的田地，從農(nóng)業(yè)數(shù)據(jù)中獲得有影響力的建議。"在Climate，我們相信通過(guò)為世界上的農(nóng)民提供準(zhǔn)確的信息，做出數(shù)據(jù)驅(qū)動(dòng)的決策，可以最大化他們?cè)诿恳划€土地上的回報(bào)，"Climate數(shù)據(jù)和分析副總裁Daniel McCaffrey說(shuō)。"為了實(shí)現(xiàn)這一目標(biāo)，我們投資了諸如機(jī)器學(xué)習(xí)工具之類的技術(shù)，以使用稱為特征的可測(cè)量實(shí)體（例如種植者的田間產(chǎn)量）來(lái)構(gòu)建模型。有了Amazon SageMaker Feature Store，我們可以通過(guò)集中的特征庫(kù)加速機(jī)器學(xué)習(xí)模型的開發(fā)，多個(gè)團(tuán)隊(duì)都可以輕松訪問(wèn)和重復(fù)使用這些特征。Amazon SageMaker Feature Store 可讓我們通過(guò)在線特征庫(kù)實(shí)時(shí)訪問(wèn)特征，或定期訪問(wèn)離線特征庫(kù)，以滿足不同的使用場(chǎng)景。通過(guò)Amazon SageMaker Feature Store，我們可以更快地開發(fā)機(jī)器學(xué)習(xí)模型。"

DeNA是日本領(lǐng)先的移動(dòng)和在線服務(wù)提供商，提供游戲、電子商務(wù)和娛樂(lè)內(nèi)容發(fā)行。"在DeNA，我們的使命是利用人工智能和機(jī)器學(xué)習(xí)為客戶帶來(lái)影響和愉悅。提供基于價(jià)值的服務(wù)是我們的首要目標(biāo)，我們希望確保我們的業(yè)務(wù)和服務(wù)為實(shí)現(xiàn)這一目標(biāo)做好準(zhǔn)備。"DeNA人工智能系統(tǒng)總經(jīng)理山田健信說(shuō)。"我們的關(guān)鍵舉措之一是增強(qiáng)我們?cè)谌斯ぶ悄芎蜋C(jī)器學(xué)習(xí)方面的能力。Amazon SageMaker提供廣泛的功能來(lái)訓(xùn)練和部署精確的模型，幫助我們?cè)诒姸鄻I(yè)務(wù)部署機(jī)器學(xué)習(xí)。為我們的工程團(tuán)隊(duì)提供方便易用的數(shù)據(jù)準(zhǔn)備并是我們關(guān)注的領(lǐng)域。有了Amazon SageMaker Data Wrangler，我們可以在不需要額外編寫代碼的情況下，利用豐富的轉(zhuǎn)換工具套件一站式解決問(wèn)題。隨著我們?cè)跀?shù)據(jù)準(zhǔn)備方面變得更加高效，我們也希望確保我們不同業(yè)務(wù)團(tuán)隊(duì)在為應(yīng)用程序構(gòu)建特征時(shí)避免重復(fù)勞動(dòng)。我們希望在整個(gè)組織中探索和復(fù)用特征，Amazon SageMaker Feature Store 幫助我們以簡(jiǎn)單有效的方式，為不同的應(yīng)用程序復(fù)用特征。Amazon SageMaker Feature Store 還幫助我們維護(hù)標(biāo)準(zhǔn)的特征定義，在我們訓(xùn)練模型并將其部署到實(shí)際應(yīng)用時(shí)，保持特征的一致性。借助Amazon SageMaker的這些新特性，我們可以更快地訓(xùn)練和部署機(jī)器學(xué)習(xí)模型，讓我們繼續(xù)不斷創(chuàng)新，以最佳服務(wù)為客戶帶來(lái)愉悅。"

iFood是一家在線食品配送網(wǎng)站，是拉丁美洲最大的食品配送公司之一，為消費(fèi)者提供優(yōu)質(zhì)服務(wù)。"在iFood，我們力求使用機(jī)器學(xué)習(xí)等技術(shù)，為客戶提供使其滿意的服務(wù)。"iFood首席數(shù)據(jù)科學(xué)家Sandor Caetano說(shuō)。"我們一直在使用Amazon SageMaker來(lái)進(jìn)行機(jī)器學(xué)習(xí)任務(wù)，在整個(gè)業(yè)務(wù)中構(gòu)建高質(zhì)量的應(yīng)用程序。我們進(jìn)一步擴(kuò)展機(jī)器學(xué)習(xí)工作的重要內(nèi)容，就是構(gòu)建一個(gè)完整而無(wú)縫的工作流，并在其中開發(fā)、訓(xùn)練和部署模型。Amazon SageMaker Pipelines 可幫助我們快速構(gòu)建多個(gè)可擴(kuò)展的自動(dòng)化機(jī)器學(xué)習(xí)工作流，使我們能夠輕松有效地部署和管理模型，使我們的開發(fā)周期更加高效。我們將進(jìn)一步強(qiáng)化我們?cè)谌斯ぶ悄芎蜋C(jī)器學(xué)習(xí)技術(shù)的領(lǐng)先地位，通過(guò)使用Amazon SageMaker所有的新功能，提客戶服務(wù)和效率。"

DFL Deutsche Fu?ball Liga是德國(guó)頂級(jí)足球聯(lián)賽德甲和德乙的組織者和營(yíng)銷者，于2020年1月指定AWS為其官方技術(shù)供應(yīng)商，通過(guò)由AWS提供技術(shù)支持的Bundesliga Match Facts (德甲比賽事實(shí))，為全球球迷和電視轉(zhuǎn)播商帶來(lái)體育分析。"Amazon SageMaker Clarify與德甲比賽事實(shí)數(shù)字平臺(tái)的其它部分無(wú)縫集成，我們長(zhǎng)期戰(zhàn)略的關(guān)鍵部分是在Amazon SageMaker上實(shí)現(xiàn)機(jī)器學(xué)習(xí)工作流標(biāo)準(zhǔn)化。"DFL集團(tuán)數(shù)字創(chuàng)新執(zhí)行副總裁Andreas Heyden表示。"通過(guò)使用AWS的機(jī)器學(xué)習(xí)等創(chuàng)新技術(shù)，我們提供了更深入的見(jiàn)解，讓球迷更好地理解球場(chǎng)上瞬間，德甲比賽事實(shí)使觀眾能夠更深入地了解每場(chǎng)比賽中球員的關(guān)鍵決定。"

CS DISCO是一家SaaS供應(yīng)商，提供自動(dòng)化解決方案簡(jiǎn)化各種法律任務(wù)。"在CS DISCO，我們已經(jīng)通過(guò)我們用于電子發(fā)現(xiàn)的DISCO AI平臺(tái)，徹底改變了審查法律證據(jù)的方式，"CS DISCO首席數(shù)據(jù)科學(xué)家Alan Lockett說(shuō)。"我們一直在努力加快我們高級(jí)深度學(xué)習(xí)模型的訓(xùn)練速度。我們與AWS的Amazon SageMaker團(tuán)隊(duì)協(xié)作，利用分布式訓(xùn)練等技術(shù)加速我們的AI應(yīng)用場(chǎng)景。"

Turbine是一家以模擬技術(shù)為驅(qū)動(dòng)的藥物研發(fā)公司，為患者提供靶向癌癥療法。"我們基于專有的網(wǎng)絡(luò)架構(gòu)使用機(jī)器學(xué)習(xí)來(lái)訓(xùn)練我們的生物信息學(xué)人類細(xì)胞模型，稱為Simulated Cell?。通過(guò)準(zhǔn)確預(yù)測(cè)分子水平上的各種干預(yù)措施，Simulated Cell?幫助我們發(fā)現(xiàn)新的癌癥藥物，為現(xiàn)有療法尋找組合方案，"Turbine的CTO Kristóf Szalay說(shuō)。"我們對(duì)細(xì)胞模擬的訓(xùn)練是不斷迭代的，但在一臺(tái)機(jī)器上，每次訓(xùn)練都需要幾天時(shí)間，阻礙了我們快速迭代新想法的需求。我們對(duì)Amazon SageMaker上的分布式訓(xùn)練感到非常興奮，它能將我們的訓(xùn)練時(shí)間減少90%，并幫助我們專注于主要任務(wù)，即為細(xì)胞模型訓(xùn)練編寫最優(yōu)的代碼。Amazon SageMaker最終使我們能夠更高效地完成我們的主要任務(wù)：為患者識(shí)別和開發(fā)新型癌癥藥物。"

Latent Space是一家致力于構(gòu)建全球首個(gè)完全AI渲染的3D游戲引擎的創(chuàng)業(yè)公司。"在Latent Space，我們正在打造一個(gè)基于神經(jīng)渲染的游戲引擎，任何人都可以快速的進(jìn)行創(chuàng)作。在高級(jí)語(yǔ)言建模的推動(dòng)下，我們正在努力結(jié)合對(duì)文本和圖像的語(yǔ)義理解，以確定生成的內(nèi)容。"Latent Space的聯(lián)合創(chuàng)始人兼首席科學(xué)官Sara Jane說(shuō)。"我們目前的重點(diǎn)是利用信息檢索，加強(qiáng)大規(guī)模的模型訓(xùn)練，為此我們有復(fù)雜的機(jī)器學(xué)習(xí)流程。這種設(shè)置為分布式訓(xùn)練帶來(lái)了挑戰(zhàn)，因?yàn)橛卸鄠€(gè)數(shù)據(jù)源，以及多個(gè)模型同時(shí)進(jìn)行訓(xùn)練。因此，我們正在利用Amazon SageMaker的分布式訓(xùn)練功能，高效地?cái)U(kuò)展大型生成模型的訓(xùn)練。"

聯(lián)想是全球最大的個(gè)人電腦制造商。聯(lián)想設(shè)計(jì)和制造的設(shè)備包括記事本電腦、平板電腦、智能手機(jī)和各種智能物聯(lián)網(wǎng)設(shè)備。"在聯(lián)想，我們不僅僅是一家硬件供應(yīng)商，還致力于成為客戶值得信賴的合作伙伴，改變客戶使用設(shè)備的體驗(yàn)，實(shí)現(xiàn)客戶的業(yè)務(wù)目標(biāo)。聯(lián)想Device Intelligence就是我們使用Amazon SageMaker來(lái)增強(qiáng)機(jī)器學(xué)習(xí)能力的一個(gè)很好的例證。"聯(lián)想個(gè)人電腦和智能設(shè)備部門云與軟件副總裁Igor Bergman說(shuō)。"通過(guò)聯(lián)想Device Intelligence，IT管理員可以主動(dòng)診斷個(gè)人電腦問(wèn)題，提前預(yù)測(cè)潛在的系統(tǒng)故障，減少宕機(jī)時(shí)間，提高員工的工作效率。結(jié)合Amazon SageMaker Neo，我們已經(jīng)實(shí)質(zhì)性的提高了設(shè)備預(yù)測(cè)模型的效果，從而促使我們?cè)谖磥?lái)幾周內(nèi)進(jìn)一步采用Amazon SageMaker Edge Manager。Amazon SageMaker Edge Manager 將有助于消除模型部署后進(jìn)行優(yōu)化、監(jiān)控和持續(xù)改進(jìn)所需的人工工作?；诖?，預(yù)計(jì)我們的模型將比其它同類機(jī)器學(xué)習(xí)平臺(tái)運(yùn)行得更快，消耗的內(nèi)存更少。隨著我們將人工智能擴(kuò)展到聯(lián)想整個(gè)服務(wù)組合中的新應(yīng)用，我們將繼續(xù)采用高性能的機(jī)器學(xué)習(xí)管道，在云端和數(shù)百萬(wàn)邊緣設(shè)備上靈活擴(kuò)展。這正是我們選擇Amazon SageMaker平臺(tái)的原因。憑借其豐富的從邊緣到云端和CI/CD工作流的能力，我們可以有效地將我們的機(jī)器學(xué)習(xí)模型帶入任何設(shè)備工作流，從而大大提高生產(chǎn)力。"

Basler AG是一家領(lǐng)先的高品質(zhì)數(shù)碼相機(jī)及配件制造商，其產(chǎn)品適用于工業(yè)、醫(yī)療、交通和其它各種領(lǐng)域。"Basler AG為各個(gè)行業(yè)提供智能計(jì)算機(jī)視覺(jué)解決方案，包括制造、醫(yī)療和零售應(yīng)用。我們很高興通過(guò)Amazon SageMaker Edge Manager實(shí)現(xiàn)的新功能，擴(kuò)展我們的軟件產(chǎn)品，"Basler軟件解決方案主管Mark Hebbel說(shuō)。"為了確保我們機(jī)器學(xué)習(xí)解決方案的性能和可靠性，我們需要一個(gè)可擴(kuò)展的、邊云結(jié)合的MLOps工具，使我們能夠持續(xù)監(jiān)控、維護(hù)和改進(jìn)邊緣設(shè)備上的機(jī)器學(xué)習(xí)模型。Amazon SageMaker Edge Manager 允許我們?cè)谶吘壸詣?dòng)采樣數(shù)據(jù)，將其安全地發(fā)送到云端，在部署后持續(xù)監(jiān)控每個(gè)設(shè)備上每個(gè)模型的質(zhì)量。這使我們能夠在全球范圍內(nèi)遠(yuǎn)程監(jiān)控、改進(jìn)和更新邊緣設(shè)備上的模型，同時(shí)也節(jié)省了我們和客戶的時(shí)間和成本。"

Mission Automate幫助他們?nèi)虻目蛻粼O(shè)計(jì)軟件解決方案。"我們不斷尋找新的解決方案為客戶提供最優(yōu)質(zhì)的軟件，但作為一個(gè)小型組織，我們沒(méi)有像其它組織一樣有細(xì)分專業(yè)領(lǐng)域的能力，"Mission Automate的首席執(zhí)行官Alex Panait說(shuō)。"Amazon SageMaker JumpStart現(xiàn)在為我們提供了更快地開始使用機(jī)器學(xué)習(xí)的方法，包括我們可以在自己的工作流中使用的新技術(shù)、以增加我們的服務(wù)產(chǎn)品、并且降低成本。從流行的模型庫(kù)中選擇機(jī)器學(xué)習(xí)模型和算法，使我們能夠快速訓(xùn)練定制的機(jī)器學(xué)習(xí)模型，幫助我們的客戶更快地進(jìn)入市場(chǎng)。得益于Amazon SageMaker JumpStart，我們能夠在幾天內(nèi)推出機(jī)器學(xué)習(xí)解決方案，更快、更可靠地滿足機(jī)器學(xué)習(xí)預(yù)測(cè)需求。"

MyCase提供了一款功能強(qiáng)大的法律業(yè)務(wù)管理軟件，幫助律師事務(wù)所從任何地方高效運(yùn)行，提客戶體驗(yàn)，輕松跟蹤事務(wù)所的業(yè)績(jī)。"我們有幾個(gè)業(yè)務(wù)和產(chǎn)品元素可以通過(guò)機(jī)器學(xué)習(xí)來(lái)改進(jìn)，"MyCase的軟件工程師Gus Nguyen說(shuō)。"Amazon SageMaker JumpStart使我們能夠一鍵開啟端到端解決方案，獲取一系列notebooks，幫助我們更深入地了解客戶，并通過(guò)預(yù)測(cè)更好地滿足他們的需求。通過(guò)Amazon SageMaker JumpStart，讓我們可以有更高的起點(diǎn)，使得我們可以把為自己的使用場(chǎng)景部署機(jī)器學(xué)習(xí)解決方案從三到四個(gè)月縮短到四到六周內(nèi)。"

當(dāng)前名稱：AWS發(fā)布九項(xiàng)AmazonSageMaker新功能
文章起源：http://m.fisionsoft.com.cn/article/dpshhig.html