在雲端幾乎無限的產能、爆炸性增長的資料量以及開發人員使用的工具快速進步等多重因素推動下，機器學習已成為各產業的主流。AWS多年來一直致力於降低機器學習的使用門檻，讓更多的客戶運用機器學習技術。Amazon SageMaker是AWS成長速度最快的服務之一，包括阿斯特捷利康（AstraZeneca）、Aurora、Capital One、Cerner、Discovery、現代汽車（Hyundai）、Intuit、路透社（Thomson Reuters）、Tyson和Vanguard等全球數萬家客戶，正使用Amazon SageMaker訓練各種規模的機器學習模型，有些模型甚至包含數十億個參數、每月進行數千億次預測。隨著客戶在Amazon SageMaker上不斷擴展其機器學習模型訓練和推論，AWS也持續擴展服務產能，僅在過去一年就推出60多項Amazon SageMaker的新功能。此次發佈的諸多新功能讓Amazon SageMaker更加強大，能讓用戶更輕鬆地準備和蒐集機器學習資料、更快地訓練模型、優化推論所需的運算類型和數量，以及為更廣泛的受眾拓展機器學習。

Amazon SageMaker Canvas無程式碼機器學習預測
Amazon SageMaker Canvas為業務分析師（支援財務、行銷、營運和人力資源團隊的人員）提供視覺化介面，他們無需任何機器學習經驗，也不必編寫程式碼，即可自行建置更準確的機器學習模型以進行預測。越來越多公司希望透過機器學習重塑業務和顧客體驗，這需要更多來自不同業務領域的員工使用先進的機器學習技術。然而，機器學習通常需要大量專業知識，並且通常需要多年的正規教育或密集培訓以習得該技能，而這些課程的難度高且持續不斷變化。Amazon SageMaker Canvas解決了這項挑戰，它透過提供視覺化、點擊式的使用者介面，讓業務分析師可以輕鬆地產出預測。

Amazon SageMaker Ground Truth Plus專業資料標記
Amazon SageMaker Ground Truth Plus是一項完全託管的資料標記服務，以內建資料標記工作流程的專家團隊，在無需編寫程式碼的狀況下，以更低成本快速交付高品質的訓練資料集來訓練機器學習模型。為了訓練更準確的模型並規模化機器學習部署，客戶需要的正確標記資料集越來越大。然而，要生成大型資料集可能需要數週到數年的時間，並且通常需要公司聘僱員工並打造工作流程來管理標記資料的過程。2018年，AWS推出了Amazon SageMaker Ground Truth，透過使用來自Amazon Mechanical Turk、第三方供應商或以自有團隊的人工資料標記方式，幫助客戶更輕鬆地生成標記資料。

Amazon SageMaker Studio 通用型筆記本
Amazon SageMaker Studio的通用型筆記本（業界首個完整的機器學習整合式開發環境）提供一個統一的整合環境來執行資料工程、資料分析和機器學習。如今，來自不同資料領域的團隊希望使用一系列涵蓋資料工程、資料分析和機器學習的工作流程展開合作。這些領域的從業人員通常來自資料工程、資料分析和資料科學等不同領域，他們希望無需切換資料工具，就能跨足各種工作流程。而當客戶準備整合資料分析和機器學習的資料時，通常需要處理多種工具和筆記本，這個過程繁瑣、耗時且容易出錯。

適用於機器學習模型的Amazon SageMaker Training Compiler
Amazon SageMaker Training Compiler是一種新的機器學習模型編譯器，可自動優化編碼提高運算資源的使用效率，並縮短訓練模型時間多達50%。先進的深度學習模型通常是龐大而複雜的，訓練單一模型可能耗費數千小時的GPU運算時間，為此它們需要專門的運算執行個體來加速訓練。為了進一步縮短訓練時間，資料科學家會嘗試增加訓練資料或調整超參數（控制機器學習訓練過程的變數），找到效能最佳且資源消耗最少的模型版本。

Amazon SageMaker Inference Recommender自動選擇執行個體
Amazon SageMaker Inference Recommender幫助客戶自動選擇最佳的運算執行個體和配置（例如執行個體數量、容器參數和模型優化），執行其特定的機器學習模型推論。為常用於處理自然語言或電腦視覺的大型機器學習模型選擇具最佳性價比的運算執行個體，是一個複雜的反覆運算過程，可能需要數週的實驗時間。Amazon SageMaker Inference Recommender消弭了執行模型應選擇哪種執行個體的不確定性和複雜度，透過自動推薦適合的運算執行個體配置，可將部署時間從數週縮短至數小時。

適用於機器學習模型的 Amazon SageMaker Serverless Inference
使用Amazon SageMaker Serverless Inference，客戶僅需為生產中部署的機器學習模型推論按使用量付費。客戶使用機器學習時希望能優化成本，這對具有間歇性流量模式和長時間空閒的應用尤其重要。諸如基於消費者購買的個人化推薦、接聽來電的聊天機器人以及基於即時交易的需求預測等應用，可能會受天氣狀況、促銷的產品或節日與假日等外部影響而出現用量高低峰。為機器學習推論提供合適的運算容量是一項艱難且需要權衡多方面因素的工作。客戶有時為滿足峰值需求而過度配置容量，雖然實現一致的效能，但在沒有流量時會浪費成本。有時，客戶為控制成本而未部署足夠的運算容量，在條件變化時卻無法提供足夠的產能來執行推論。為了適應不斷變化的條件，一些客戶嘗試動態地手動調整運算資源，這是繁瑣且耗費精力的工作。

- 新聞稿有效日期，至2021/12/31為止

上一篇：Aurora運用AWS服務加速開發Aurora Driver自駕技術
下一篇：興櫃潛力股泓德能源公布全新綠能布局 打造全台首間智慧綠電公司