【台北訊，2023年12月8日】亞馬遜（Amazon）旗下Amazon Web Services（AWS）於AWS re:Invent全球盛會上宣布推出五項Amazon SageMaker新功能，幫助客戶加速建構、訓練和部署大型語言模型（LLM）和其他基礎模型。隨著模型不斷改變各行各業的客戶體驗，Amazon SageMaker讓企業更輕鬆快速地建構、訓練和部署支援各種生成式人工智慧（Generative AI）使用場景的機器學習模型。為了善用模型，客戶需要進階的功能來高效管理模型的開發、使用和效能。這也是Falcon 40B和180B、IDEFICS、Jurassic-2、Stable Diffusion以及StarCoder等大多數業界領先的模型都在Amazon SageMaker上訓練的原因。

本次宣布的新功能，進一步增強了Amazon SageMaker的模型擴充能力並加速了模型的訓練，也透過降低模型部署成本和延遲時間，優化託管機器學習的基礎設施的管理。AWS還推出了新的SageMaker Clarify功能，可以讓客戶在負責任地使用AI的基礎上，根據品質參數更輕鬆地選擇正確模型。為了幫助客戶在企業內部應用這些模型，AWS還在Amazon SageMaker Canvas中導入了新的無程式碼功能，讓客戶更快、更容易地使用自然語言指令準備資料。同時，Amazon SageMaker Canvas繼續普及模型建構和訂製，讓客戶更輕鬆地使用模型萃取洞察、進行預測和使用企業自有資料生成內容。這些創新均基於Amazon SageMaker豐富的功能，幫助客戶實現規模化的機器學習創新。若要開始使用Amazon SageMaker，請至：aws.amazon.com/tw/sagemaker/。

可擴充運算能力、海量資料以及機器學習技術的快速進步，促使含有數十億參數模型的興起，它們能夠執行各種任務，如撰寫部落格文章、生成圖像、解決數學問題、進行對話和根據文檔回答問題。如今，成千上萬的客戶，例如3M、阿斯特捷利康（AstraZeneca）、法拉利（Ferrari）、LG AI Research、瑞安航空（RyanAir）、湯森路透（Thomson Reuters）和Vanguard等，每月在Amazon SageMaker進行超過1.5萬億次的推論。此外，AI21 Labs、Stability AI和Technology Innovation Institute等客戶也正借助Amazon SageMaker訓練擁有數十億參數的模型。隨著客戶從建構針對特定任務的模型，轉向支援生成式AI的大型通用模型，客戶必須處理大量資料庫並設置更複雜的基礎設施，同時在不斷優化成本和效能。客戶還希望能夠建構和訂製自己的模型，以創造獨特的客戶體驗，展現企業的形象、風格和服務。自2017年推出以來，Amazon SageMaker已經新增了380多個功能，為客戶提供了規模化建構、訓練和部署大規模模型所需的一切。

AWS人工智慧和機器學習副總裁Bratin Saha表示：「機器學習是近年來影響深遠的技術變革之一，所有企業組織都對模型產生了濃厚的興趣。這也給希望快速建構、訓練和部署模型的客戶帶來了新的挑戰。從加速訓練、優化託管成本、降低延遲到簡化基礎模型的評估，再到無程式碼模型的建構能力，我們的使命是讓各種規模的企業都能使用高品質、高成本效益的機器學習模型。我們再次升級Amazon SageMaker，透過全託管、專門建構的新功能幫助客戶在機器學習方面的投資獲得最大成效。」

新功能讓客戶更輕鬆快速地訓練和運作模型，驅動生成式AI的應用
隨著生成式AI持續發展，許多新興應用都仰賴模型。然而，大多數企業為了滿足新模型需求而調整基礎設施時遇到困難，很難高效地實現規模化的訓練和運作。Amazon SageMaker新增了兩項全新功能，旨在幫助減輕規模化訓練和部署模型的負擔。

• Amazon SageMaker HyperPod加速基礎模型規模化訓練：許多企業希望以較低的成本使用基於GPU和Trainium的運算執行個體來訓練自己的模型。然而，資料激增、模型規模擴大以及較長的訓練時間，使模型訓練複雜程度呈指數級增長，這使客戶必須進一步調整流程來應對這些新需求。通常客戶需要將模型訓練分配到數百甚至數千個加速器上。之後，在幾週或者幾個月的時間內同時執行數萬億次資料運算，這是一項耗時且需要專業機器學習知識的工作。與訓練特定任務的模型相比，加速器的數量和訓練時間都大大增加。因此，很容易出現如單個加速器故障等小錯誤。這些錯誤可能會中斷整個訓練過程，並需要人工辨別、隔離、調整、除錯和修復，這都將拖延工作進度。在基礎模型的訓練過程中，客戶經常需要暫停訓練，評估當前模型效能並優化訓練程式碼。為了不間斷地訓練模型，開發人員必須不斷儲存訓練進度（通常稱為檢查點），以便在訓練中斷後不會遺失進度，並從停止的地方繼續訓練。這些挑戰大大增加了訓練模型所需的時間和成本，拖延了生成式AI創新的部署。

- 新聞稿有效日期，至2024/01/08為止

上一篇：AWS攜手埃森哲助力默克利用雲端技術縮短藥物開發時間並加速臨床試驗
下一篇：華碩熱門機種輕鬆訂閱！尊享完美保固