[2020年5月12日，北京] 亞馬遜云服務(wù)Amazon Web Services, Inc. (AWS) 今天宣布，Amazon SageMaker在由西云數(shù)據(jù)運(yùn)營(yíng)的AWS中國(guó) (寧夏) 區(qū)域和光環(huán)新網(wǎng)運(yùn)營(yíng)的AWS中國(guó)（北京）區(qū)域正式上線(xiàn)。Amazon SageMaker 是一項(xiàng)完全托管的服務(wù)，可以幫助開(kāi)發(fā)者和數(shù)據(jù)科學(xué)家快速地規(guī)?；瘶?gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí) (ML) 模型。Amazon SageMaker在中國(guó)的上線(xiàn)還使中國(guó)客戶(hù)獲得一系列新發(fā)布的工具，例如彈性Notebook、實(shí)驗(yàn)管理、模型自動(dòng)創(chuàng)建、模型調(diào)試分析，以及模型概念漂移檢測(cè)等強(qiáng)大功能，所有這些工具都封裝在首個(gè)面向機(jī)器學(xué)習(xí)的集成開(kāi)發(fā)環(huán)境(IDE) Amazon SageMaker Studio中。進(jìn)一步了解Amazon SageMaker，請(qǐng)?jiān)L問(wèn): https://www.amazonaws.cn/sagemaker/。

機(jī)器學(xué)習(xí)的實(shí)施是一項(xiàng)非常復(fù)雜的工作，涉及大量試錯(cuò)，并且需要專(zhuān)業(yè)技能。開(kāi)發(fā)者和數(shù)據(jù)科學(xué)家首先必須對(duì)數(shù)據(jù)進(jìn)行可視化、轉(zhuǎn)換和預(yù)處理，這些數(shù)據(jù)才能變成算法可以使用的格式，用以訓(xùn)練模型。即使是簡(jiǎn)單的模型，企業(yè)也需要花費(fèi)龐大的算力和大量的訓(xùn)練時(shí)間，并可能需要招聘專(zhuān)門(mén)的團(tuán)隊(duì)來(lái)管理包含多臺(tái)GPU服務(wù)器的訓(xùn)練環(huán)境。從選擇和優(yōu)化算法，到調(diào)節(jié)影響模型準(zhǔn)確性的數(shù)百萬(wàn)個(gè)參數(shù)，訓(xùn)練模型的所有階段都需要大量的人力和猜測(cè)。然后，在應(yīng)用程序中部署訓(xùn)練好的模型時(shí)，客戶(hù)又需要另一套應(yīng)用設(shè)計(jì)和分布式系統(tǒng)方面的專(zhuān)業(yè)技能。并且，隨著數(shù)據(jù)集和變量數(shù)的增加，模型會(huì)過(guò)時(shí)，客戶(hù)又必須一次又一次地重新訓(xùn)練模型，讓模型從新的信息中學(xué)習(xí)和進(jìn)化。所有這些工作都需要大量的專(zhuān)業(yè)知識(shí)，并耗費(fèi)龐大的算力、數(shù)據(jù)存儲(chǔ)和時(shí)間成本。而且，由于沒(méi)有集成化的工具用于整個(gè)機(jī)器學(xué)習(xí)的工作流，機(jī)器學(xué)習(xí)模型的傳統(tǒng)開(kāi)發(fā)方式是復(fù)雜、繁復(fù)和昂貴的。

Amazon SageMaker消除了機(jī)器學(xué)習(xí)過(guò)程中各個(gè)步驟的繁重工作。通過(guò)預(yù)置的Notebook、針對(duì)PB級(jí)數(shù)據(jù)集優(yōu)化的常用算法，以及自動(dòng)模型調(diào)優(yōu)，Amazon SageMaker大大降低了模型構(gòu)建和訓(xùn)練的難度。并且，Amazon SageMaker顯著簡(jiǎn)化和加快了模型訓(xùn)練過(guò)程，可以通過(guò)自動(dòng)提供和管理基礎(chǔ)設(shè)施來(lái)訓(xùn)練模型和運(yùn)行推理。同時(shí)，AWS 最近宣布了多項(xiàng)重要功能和高級(jí)特性，讓客戶(hù)能夠更輕松地構(gòu)建、訓(xùn)練、調(diào)優(yōu)和部署機(jī)器學(xué)習(xí)模型。這些功能包括：

面向機(jī)器學(xué)習(xí)的集成開(kāi)發(fā)環(huán)境（IDE）：Amazon SageMaker Studio將所有用于機(jī)器學(xué)習(xí)的組件集中在一個(gè)地方。跟使用集成開(kāi)發(fā)環(huán)境（IDE）做軟件開(kāi)發(fā)一樣，開(kāi)發(fā)者現(xiàn)在可以在Amazon SageMaker Studio中查看和組織源代碼、依賴(lài)項(xiàng)、文檔和其它應(yīng)用程序資產(chǎn)，例如用于移動(dòng)應(yīng)用程序的圖像。當(dāng)前，機(jī)器學(xué)習(xí)工作流有大量組件，其中許多組件都帶有它們自己的一組各自獨(dú)立的工具。Amazon SageMaker Studio IDE為所有Amazon SageMaker功能和整個(gè)機(jī)器學(xué)習(xí)工作流提供了一個(gè)統(tǒng)一界面。Amazon SageMaker Studio為開(kāi)發(fā)者提供了創(chuàng)建項(xiàng)目文件夾、組織Notebook和數(shù)據(jù)集，以及協(xié)作討論Notebook和結(jié)果的功能。Amazon SageMaker Studio使構(gòu)建、訓(xùn)練、解釋、檢查、監(jiān)視、調(diào)試和運(yùn)行機(jī)器學(xué)習(xí)模型變得更簡(jiǎn)單、更快。

彈性筆記本：Amazon SageMaker Notebooks提供了一鍵啟用的Jupyter Notebook，具有秒級(jí)的彈性計(jì)算提升能力。Notebooks包含了運(yùn)行或重新創(chuàng)建機(jī)器學(xué)習(xí)工作流所需的一切要素。在此之前，要查看或運(yùn)行Notebook，開(kāi)發(fā)者需要在Amazon SageMaker中啟動(dòng)計(jì)算實(shí)例。如果他們發(fā)現(xiàn)需要更多的算力，必須啟動(dòng)一個(gè)新實(shí)例，轉(zhuǎn)移Notebook，關(guān)閉舊實(shí)例。而且，由于Notebook與計(jì)算實(shí)例是耦合的，通常存在于開(kāi)發(fā)者的工作站上，其共享和迭代協(xié)作很不容易。Amazon SageMaker Notebooks提供了彈性的Jupyter Notebook，讓開(kāi)發(fā)者可以輕松地調(diào)高或降低Notebook需要的算力（包括GPU加速）。這些調(diào)整在后臺(tái)自動(dòng)發(fā)生，不會(huì)打斷開(kāi)發(fā)者的工作。開(kāi)發(fā)者不再需要浪費(fèi)時(shí)間來(lái)關(guān)閉舊實(shí)例、在新實(shí)例中重新創(chuàng)建所有工作，從而可以更快地開(kāi)始構(gòu)建模型。Amazon SageMaker Notebook還可以自動(dòng)復(fù)制特定環(huán)境和庫(kù)依賴(lài)項(xiàng)，實(shí)現(xiàn)Notebook一鍵共享。這將使構(gòu)建模型的協(xié)作變得更容易，比如，一個(gè)工程師可以很容易地將手頭工作共享給其他工程師，讓他們?cè)诂F(xiàn)有工作的基礎(chǔ)上構(gòu)建模型。

實(shí)驗(yàn)管理：Amazon SageMaker Experiments可以幫助開(kāi)發(fā)者組織和跟蹤機(jī)器學(xué)習(xí)模型的迭代。機(jī)器學(xué)習(xí)通常需要多次迭代，目的是隔離和衡量更改特定輸入時(shí)的增量影響。這些迭代過(guò)程可能會(huì)生成數(shù)百個(gè)實(shí)驗(yàn)構(gòu)件，如模型、訓(xùn)練數(shù)據(jù)和參數(shù)設(shè)置。但是，開(kāi)發(fā)者目前缺乏一個(gè)便利的實(shí)驗(yàn)管理機(jī)制，甚至不得不依賴(lài)電子表格來(lái)跟蹤實(shí)驗(yàn)，手動(dòng)對(duì)這些構(gòu)件進(jìn)行排序，以了解對(duì)應(yīng)的影響。Amazon SageMaker Experiments自動(dòng)捕獲輸入?yún)?shù)、配置和結(jié)果，并將它們存儲(chǔ)為“實(shí)驗(yàn)”，幫助開(kāi)發(fā)者管理這些迭代。開(kāi)發(fā)者可以瀏覽活躍的實(shí)驗(yàn)，根據(jù)特征搜索以前的實(shí)驗(yàn)，回顧以前的實(shí)驗(yàn)結(jié)果，還能用可視化的方式比較實(shí)驗(yàn)結(jié)果。Amazon SageMaker Experiments也保留了實(shí)驗(yàn)的完整譜系，如果一個(gè)模型開(kāi)始偏離其預(yù)期結(jié)果，開(kāi)發(fā)者可以及時(shí)回溯和檢查。因此，Amazon SageMaker Experiments使開(kāi)發(fā)者更容易快速迭代和開(kāi)發(fā)高質(zhì)量的模型。

調(diào)試與分析：Amazon SageMaker Debugger用于調(diào)試和分析模型訓(xùn)練，提高準(zhǔn)確性，減少訓(xùn)練時(shí)間，讓開(kāi)發(fā)者更好地理解模型。當(dāng)前，機(jī)器學(xué)習(xí)訓(xùn)練過(guò)程基本上是不透明的，訓(xùn)練時(shí)間可能很長(zhǎng)、很難優(yōu)化；而且，往往就像一個(gè)“黑箱”，解讀和解釋模型都很困難。使用Amazon SageMaker Debugger，在Amazon SageMaker中訓(xùn)練的模型將自動(dòng)發(fā)出收集到的關(guān)鍵指標(biāo)，這些指標(biāo)可以在Amazon SageMaker Studio中查看，也可以通過(guò)Amazon SageMaker Debugger的API查看，為訓(xùn)練的準(zhǔn)確性和性能提供實(shí)時(shí)反饋。當(dāng)檢測(cè)到訓(xùn)練問(wèn)題時(shí)，Amazon SageMaker Debugger會(huì)提供警告和補(bǔ)救建議。Amazon SageMaker Debugger也可幫助開(kāi)發(fā)者解讀模型是如何工作的，向神經(jīng)網(wǎng)絡(luò)的可解釋性邁出了第一步。

自動(dòng)構(gòu)建模型：Amazon SageMaker Autopilot是業(yè)內(nèi)首個(gè)可以讓開(kāi)發(fā)者對(duì)其模型保持控制和可見(jiàn)性的自動(dòng)化機(jī)器學(xué)習(xí)功能。當(dāng)前的機(jī)器學(xué)習(xí)自動(dòng)化方法，在創(chuàng)建初始模型方面做得不錯(cuò)，但是對(duì)于如何創(chuàng)建模型、模型中包含什么內(nèi)容，并沒(méi)有數(shù)據(jù)提供給開(kāi)發(fā)者。因此，如果模型達(dá)不到期望，開(kāi)發(fā)者想要改進(jìn)它，就沒(méi)有什么辦法了。此外，當(dāng)前的機(jī)器學(xué)習(xí)自動(dòng)化服務(wù)只給客戶(hù)一個(gè)簡(jiǎn)單的模型。有時(shí)客戶(hù)希望做出一些取舍，例如以某個(gè)版本的模型犧牲一點(diǎn)準(zhǔn)確性，以換取更低延遲的預(yù)測(cè)。但是如果客戶(hù)只有一個(gè)模型可用，就沒(méi)有這樣的可選項(xiàng)。Amazon SageMaker Autopilot會(huì)自動(dòng)檢查原始數(shù)據(jù)，應(yīng)用特征處理器，挑選最佳算法集，訓(xùn)練多個(gè)模型，對(duì)它們進(jìn)行調(diào)優(yōu)，跟蹤其性能，然后根據(jù)性能對(duì)模型進(jìn)行排名。點(diǎn)擊幾下鼠標(biāo)，用戶(hù)可以得到用于部署的、性能最佳的模型推薦，而這只需很少一點(diǎn)時(shí)間和精力用于訓(xùn)練。并且，用戶(hù)可以清楚地看到模型是如何創(chuàng)建的，以及模型中包含什么內(nèi)容。缺乏機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的人可以使用Amazon SageMaker Autopilot輕松地生成僅基于數(shù)據(jù)的模型，經(jīng)驗(yàn)豐富的開(kāi)發(fā)者可以使用它快速開(kāi)發(fā)基礎(chǔ)模型，團(tuán)隊(duì)可以在此基礎(chǔ)上進(jìn)行進(jìn)一步迭代。Amazon SageMaker Autopilot為開(kāi)發(fā)者提供了多達(dá)50種不同的模型，可以在Amazon SageMaker Studio中查看。因此，開(kāi)發(fā)者能夠針對(duì)應(yīng)用場(chǎng)景選擇最佳模型，并且可以結(jié)合不同的優(yōu)化因子考慮多個(gè)候選模型。

概念漂移檢測(cè)：Amazon SageMaker Model Monitor允許開(kāi)發(fā)者檢測(cè)和糾正概念漂移（concept drift）。影響部署到生產(chǎn)環(huán)境后的模型的準(zhǔn)確性的一大因素就是生產(chǎn)環(huán)境中的輸入數(shù)據(jù)開(kāi)始不同于模型訓(xùn)練所使用的數(shù)據(jù)集，從而影響預(yù)測(cè)結(jié)果，例如經(jīng)濟(jì)狀況改變導(dǎo)致的新利率會(huì)影響國(guó)內(nèi)采購(gòu)預(yù)測(cè)，季節(jié)變化帶來(lái)不同的溫度、濕度和空氣壓力會(huì)影響設(shè)備維護(hù)時(shí)間表的預(yù)測(cè)，等等。如果輸入數(shù)據(jù)開(kāi)始出現(xiàn)這樣的差異，就會(huì)導(dǎo)致所謂的“概念漂移”，即模型用于預(yù)測(cè)的模式不再適用。Amazon SageMaker Model Monitor自動(dòng)檢測(cè)模型部署中的概念漂移。Amazon SageMaker Model Monitor在訓(xùn)練期間創(chuàng)建一組關(guān)于模型的基線(xiàn)統(tǒng)計(jì)數(shù)據(jù)，將用于預(yù)測(cè)的數(shù)據(jù)與訓(xùn)練基線(xiàn)進(jìn)行比較。當(dāng)檢測(cè)到漂移時(shí)，Amazon SageMaker Model Monitor會(huì)向開(kāi)發(fā)者發(fā)出告警，并幫助他們直觀地確定原因。開(kāi)發(fā)者可以使用Amazon SageMaker Model Monitor的開(kāi)箱即用功能立即檢測(cè)漂移，也可以為Amazon SageMaker Model Monitor編寫(xiě)自己的規(guī)則用于監(jiān)測(cè)。Amazon SageMaker Model Monitor讓開(kāi)發(fā)者更容易調(diào)整訓(xùn)練數(shù)據(jù)或算法以解決概念漂移問(wèn)題。

“國(guó)內(nèi)越來(lái)越多的企業(yè)正在探討機(jī)器學(xué)習(xí)和人工智能技術(shù)帶來(lái)的巨大潛力，探索如何把這些技術(shù)融入到日常應(yīng)用當(dāng)中。但實(shí)際上，除了少數(shù)具有專(zhuān)家人才和數(shù)據(jù)科學(xué)家的企業(yè)外，大部分公司還是很難應(yīng)用機(jī)器學(xué)習(xí)這項(xiàng)技術(shù)，因此客戶(hù)希望我們可以讓這項(xiàng)技術(shù)變得更方便、更易用。”AWS全球副總裁及大中華區(qū)執(zhí)行董事張文翊表示，“AWS提供了廣泛、深入的機(jī)器學(xué)習(xí)和人工智能服務(wù)。Amazon SageMaker在AWS中國(guó)（寧夏）區(qū)域和AWS中國(guó)（北京）區(qū)域上線(xiàn)，將幫助更多中國(guó)客戶(hù)去除機(jī)器學(xué)習(xí)涉及的混亂和復(fù)雜性，讓他們能夠勝任構(gòu)建、訓(xùn)練和部署模型的工作，以應(yīng)對(duì)新的挑戰(zhàn)。”

全球已有數(shù)以萬(wàn)計(jì)的客戶(hù)利用Amazon SageMaker加快機(jī)器學(xué)習(xí)部署， Autodesk、Change Healthcare、拜耳、英國(guó)航空、蓋洛普、洛杉磯快船隊(duì)、松下航空電子(Panasonic Avionics)、環(huán)球郵報(bào)和T-Mobile等等。中國(guó)客戶(hù)如虎牙、大宇無(wú)限、嘉誼互娛、華來(lái)科技等也已選擇Amazon SageMaker大規(guī)模地構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型。

大宇無(wú)限是一家專(zhuān)門(mén)從事移動(dòng)應(yīng)用程序開(kāi)發(fā)的公司，主要為中東、東南亞和拉丁美洲等新興市場(chǎng)提供移動(dòng)短視頻服務(wù)。大宇無(wú)限技術(shù)副總裁劉克東表示：“在大宇無(wú)限的產(chǎn)品中實(shí)現(xiàn)視頻內(nèi)容的在線(xiàn)推薦，對(duì)我們的開(kāi)發(fā)團(tuán)隊(duì)來(lái)說(shuō)是一個(gè)巨大的挑戰(zhàn)。構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)的整個(gè)流程極為復(fù)雜，需要大量的開(kāi)發(fā)者耗費(fèi)很長(zhǎng)的時(shí)間才有可能完成。Amazon SageMaker極大地簡(jiǎn)化了機(jī)器學(xué)習(xí)系統(tǒng)的構(gòu)建、訓(xùn)練和部署流程，使我們無(wú)需構(gòu)建基礎(chǔ)設(shè)施，我們的算法工程師只需為Amazon SageMaker準(zhǔn)備數(shù)據(jù)，僅用了三個(gè)月的時(shí)間就從零完成了整個(gè)系統(tǒng)的建設(shè)并承受了實(shí)際用戶(hù)訪問(wèn)的壓力。”

借助AWS提供的Amazon EC2 GPU實(shí)例和Amazon SageMaker，華來(lái)科技以?xún)?yōu)化的成本將機(jī)器學(xué)習(xí)創(chuàng)新融合到其智能家居、智慧安防設(shè)備和服務(wù)中。天津華來(lái)科技有限公司云業(yè)務(wù)部總監(jiān)季寶平說(shuō)：“在AWS上，我們可以完成算法的構(gòu)建和模型訓(xùn)練，并且該過(guò)程完全不需要我們?cè)诒镜赝顿Y昂貴的計(jì)算硬件，一切都是在云端以按需使用的方式完成。與行業(yè)通用的公開(kāi)算法不同，更重要的是我們自己訓(xùn)練的模型在應(yīng)用場(chǎng)景中具有更多個(gè)性化空間，并且我們對(duì)自己訓(xùn)練出的模型具有知識(shí)產(chǎn)權(quán)，這將是我們未來(lái)的核心競(jìng)爭(zhēng)力。”

AWS合作伙伴網(wǎng)絡(luò) (APN) 成員對(duì)Amazon SageMaker在中國(guó)區(qū)域的上線(xiàn)也表示歡迎。

德勤D.Data是一個(gè)基于AWS的 PaaS (平臺(tái)即服務(wù)) 平臺(tái)，為企業(yè)客戶(hù)提供數(shù)據(jù)分析和業(yè)務(wù)洞察。它為不同的行業(yè)和業(yè)務(wù)場(chǎng)景提供了各種數(shù)據(jù)建模和預(yù)測(cè)服務(wù)。德勤創(chuàng)新、數(shù)字化研發(fā)中心主管合伙人賴(lài)有猷評(píng)價(jià)道：“通過(guò)Amazon SageMaker，我們大大提高了算法和機(jī)器學(xué)習(xí)建模能力，提高了分析效率。Amazon SageMaker的IDE平臺(tái)也幫助我們加快了開(kāi)發(fā)進(jìn)程。”

伊克羅德是AWS的核心級(jí)咨詢(xún)合作伙伴 (APN Premier Consulting Partner)，其基于AWS的解決方案極大地減少了用戶(hù)的開(kāi)發(fā)時(shí)間與運(yùn)營(yíng)費(fèi)用。伊克羅德中國(guó)區(qū)副總裁桂梓捷表示：“我們運(yùn)用Amazon SageMaker平臺(tái)加速企業(yè)導(dǎo)入行業(yè)AI解決方案，如標(biāo)簽標(biāo)注、文本分析、語(yǔ)意理解、預(yù)測(cè)分類(lèi)、推薦系統(tǒng)與詐欺偵測(cè)等，針對(duì)客戶(hù)實(shí)際遇到的商業(yè)問(wèn)題，量身打造真正解決問(wèn)題的端到端AI應(yīng)用。隨著Amazon SageMaker在中國(guó)區(qū)域落地，我們將會(huì)以SageMaker平臺(tái)作為企業(yè)MLOps（機(jī)器學(xué)習(xí)運(yùn)營(yíng)）核心，協(xié)助企業(yè)構(gòu)建MLOps流程，尤其在金融行業(yè)領(lǐng)域，幫助企業(yè)內(nèi)部數(shù)據(jù)科學(xué)家與AI工程師建立、訓(xùn)練與部署機(jī)器學(xué)習(xí)模型。”