{"value":"**今年是 Amazon SageMaker 发布五周年!正值 2022 亚马逊云科技 re:Invent 全球大会开幕之际,让我们共同庆祝 Amazon SageMaker 的五岁生日!**\n\n#### **Amazon SageMaker 助力客户加速业务创新**\n\n\nAmazon SageMaker 客户正在释放机器学习的强大力量。每天,各行各业不同规模的客户都在通过 Amazon SageMaker 实验、创新并部署机器学习模型,但所花费的时间和成本比以往更低。因此,对于机器学习,现在人们关注的已经不再是这项技术的可行性,而是如何在机器学习的帮助下让生产力水平再上新高。\n\n\n\n目前,金融服务业的 Capital One 和 Federal National Mortgage Association、医疗健康和生命科学行业的 PHILIPS 和 AstraZeneca、传媒行业的 Conde Nast 和 Thomson Reuters、体育行业的 NFL 和 Formula 1、零售行业的 Amazon 和 Mercado Libre 以及工业的 SIEMENS 和 Bayer,他们都在亚马逊云科技平台上使用机器学习服务加速业务创新。他们与 Amazon SageMaker 数以万计的其他客户一起,使用该服务管理着数百万个模型,训练那些数十亿参数规模的模型,每月进行数千亿次预测。\n\n![image.png](https://dev-media.amazoncloud.cn/2be2984470e7449b9ae2730908d18a7e_image.png)\n\n\n\n机器学习范式转变的种子在几十年前就已萌芽,但直到如今,各行各业才有机会从中获益。这得力于当前近乎无限算力的随时可用,数据总量的大幅增长,以及机器学习技术的快速发展。为了抓住机会将机器学习从实验室带给广大企业,亚马逊云科技创建了 Amazon SageMaker。\n\n\n\n作为亚马逊云科技旗舰级的托管式机器学习服务,Amazon SageMaker 最初于2017 亚马逊云科技 re:Invent 全球大会上面世,目前已成为亚马逊云科技有史以来增长速度最快的服务之一。**短短五年时间,已有数以万计的客户利用 Amazon SageMaker 创建了数百万个模型,参数规模可达千亿级别,每月生成数千亿的预测结果。**\n\n\n\n在全球市场研究机构 IDC 最新发布的《2022年亚太地区(不含日本)AI 生命周期软件工具和平台供应商评估》中,凭借 Amazon SageMaker 强大和丰富且灵活的功能、广泛的交付能力及对开源项目的持续贡献,亚马逊云科位居 AI 生命周期软件领导者位置,且在战略和产品能力维度领先。\n\n![image.png](https://dev-media.amazoncloud.cn/b16120126a084de79d900416108ae1fc_image.png)\n\n![image.png](https://dev-media.amazoncloud.cn/116b9cdc52b74a0c9cfb06af925e277d_image.png)\n\n亚马逊云科技推出的 Amazon SageMaker 是为了消除机器学习壁垒,让每个人都能受益于这项先进技术。在今天看来,这种成功似乎是一种必然,但在2017年,当时的机器学习依然需要专业技能,通常只能被少数开发者、研究人员、博士或围绕机器学习建立了专门业务的公司所掌握。\n\n\n\n以前,开发者和数据科学家必须首先通过可视化、转换、预处理等工作将数据转变为适当的格式,随后算法才能使用这些数据训练模型,这一过程需要大量算力和漫长的训练周期,还需要专门的团队来管理整个环境。而这样的环境通常由多台配备 GPU 的服务器组成,需要通过大量人工操作进行性能调优。\n\n\n\n此外,为了在应用程序中部署模型,往往还需要在应用程序设计和分布式系统等多领域具备专业技能。随着数据集和变量的增加,企业不得不重复这样的过程才能通过新的信息继续学习和演化,因为老的模型早已过时。这些挑战和障碍意味着除非是资金充足的组织和研究机构,否则机器学习对其他人来说完全是可望而不可及的。\n\n#### **迎接机器学习新时代**\n\n\n为了让各行各业从机器学习中收益,我们推出了 Amazon SageMaker。作为旗舰级的机器学习托管服务,**Amazon SageMaker 可以帮助开发者、数据科学家和业务分析师轻松快速地准备数据,并大规模地构建、训练、部署高质量机器学习模型**。过去五年来,我们为该服务增加了超过250项新功能和能力,包括全球首个机器学习集成开发环境(IDE)、模型调试器、模型监视器、模型分析器(Profiler)、Auto 机器学习、特征存储、无代码开发能力以及首个专用的持续集成和持续交付(CI/CD)工具,借此让云端和边缘设备上的 机器学习 更简单、更易于扩展。\n\n\n\n2021年,为了进一步推动机器学习的民主化,让更多用户能够接触到机器学习,我们在 re:Invent 大会上发布了无代码机器学习工具 **Amazon SageMaker Canvas**。\n\n![image.png](https://dev-media.amazoncloud.cn/0f290508ce80477d963fab634a86a6a5_image.png)\n\n今天,客户可以通过一系列工具(面向数据科学家的 IDE 和面向业务分析师的无代码开发环境),借助 Amazon SageMaker 进行创新。他们可以访问、标记、处理大量结构化数据(表格化数据)和非结构化数据(照片、视频、音频),借此进行机器学习。在 Amazon SageMaker 的帮助下,客户可以通过优化的基础设施将训练模型所需时间由数小时缩短至数分钟。最后,客户还可以在自己的组织中全面实施自动化、标准化的机器学习运维(MLOps)实践,以大规模地构建、训练、部署并管理模型。\n\n#### **面向下一代创新的新功能**\n\n展望未来,亚马逊云科技将继续积极开发新功能,帮助客户更好地运用机器学习。\n\n\n**例如:**\n\nAmazon SageMaker 多模型端点(Multi-model endpoints, MME)可供客户在一个 Amazon SageMaker 端点上部署上千个机器学习模型,并通过为所有模型共享端点背后的实例来降低成本。\n\n直到不久前,MME 还只能支持 CPU,但 Amazon SageMaker MME 现在也可以支持 GPU 了。客户可以使用 Amazon SageMaker MME 在 GPU 实例上部署深度学习模型,通过将成千上万个深度学习模型部署到一个多模型端点,**最高可节约90%的成本**。\n\nAmazon SageMaker 还扩展了对 Amazon Graviton2和 Graviton3处理器驱动的计算优化型 Amazon Elastic Compute Cloud(Amazon EC2)实例的支持,这些实例都很适合基于 CPU 的机器学习推理,客户可以根据工作负载实际情况将其部署在最适合的实例中。\n\n![image.png](https://dev-media.amazoncloud.cn/6aa31e1af16f4b5ebed6941616a02679_image.png)","render":"<p><strong>今年是 Amazon SageMaker 发布五周年!正值 2022 亚马逊云科技 re:Invent 全球大会开幕之际,让我们共同庆祝 Amazon SageMaker 的五岁生日!</strong></p>\n<h4><a id=\"Amazon_SageMaker__2\"></a><strong>Amazon SageMaker 助力客户加速业务创新</strong></h4>\n<p>Amazon SageMaker 客户正在释放机器学习的强大力量。每天,各行各业不同规模的客户都在通过 Amazon SageMaker 实验、创新并部署机器学习模型,但所花费的时间和成本比以往更低。因此,对于机器学习,现在人们关注的已经不再是这项技术的可行性,而是如何在机器学习的帮助下让生产力水平再上新高。</p>\n<p>目前,金融服务业的 Capital One 和 Federal National Mortgage Association、医疗健康和生命科学行业的 PHILIPS 和 AstraZeneca、传媒行业的 Conde Nast 和 Thomson Reuters、体育行业的 NFL 和 Formula 1、零售行业的 Amazon 和 Mercado Libre 以及工业的 SIEMENS 和 Bayer,他们都在亚马逊云科技平台上使用机器学习服务加速业务创新。他们与 Amazon SageMaker 数以万计的其他客户一起,使用该服务管理着数百万个模型,训练那些数十亿参数规模的模型,每月进行数千亿次预测。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/2be2984470e7449b9ae2730908d18a7e_image.png\" alt=\"image.png\" /></p>\n<p>机器学习范式转变的种子在几十年前就已萌芽,但直到如今,各行各业才有机会从中获益。这得力于当前近乎无限算力的随时可用,数据总量的大幅增长,以及机器学习技术的快速发展。为了抓住机会将机器学习从实验室带给广大企业,亚马逊云科技创建了 Amazon SageMaker。</p>\n<p>作为亚马逊云科技旗舰级的托管式机器学习服务,Amazon SageMaker 最初于2017 亚马逊云科技 re:Invent 全球大会上面世,目前已成为亚马逊云科技有史以来增长速度最快的服务之一。<strong>短短五年时间,已有数以万计的客户利用 Amazon SageMaker 创建了数百万个模型,参数规模可达千亿级别,每月生成数千亿的预测结果。</strong></p>\n<p>在全球市场研究机构 IDC 最新发布的《2022年亚太地区(不含日本)AI 生命周期软件工具和平台供应商评估》中,凭借 Amazon SageMaker 强大和丰富且灵活的功能、广泛的交付能力及对开源项目的持续贡献,亚马逊云科位居 AI 生命周期软件领导者位置,且在战略和产品能力维度领先。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/b16120126a084de79d900416108ae1fc_image.png\" alt=\"image.png\" /></p>\n<p><img src=\"https://dev-media.amazoncloud.cn/116b9cdc52b74a0c9cfb06af925e277d_image.png\" alt=\"image.png\" /></p>\n<p>亚马逊云科技推出的 Amazon SageMaker 是为了消除机器学习壁垒,让每个人都能受益于这项先进技术。在今天看来,这种成功似乎是一种必然,但在2017年,当时的机器学习依然需要专业技能,通常只能被少数开发者、研究人员、博士或围绕机器学习建立了专门业务的公司所掌握。</p>\n<p>以前,开发者和数据科学家必须首先通过可视化、转换、预处理等工作将数据转变为适当的格式,随后算法才能使用这些数据训练模型,这一过程需要大量算力和漫长的训练周期,还需要专门的团队来管理整个环境。而这样的环境通常由多台配备 GPU 的服务器组成,需要通过大量人工操作进行性能调优。</p>\n<p>此外,为了在应用程序中部署模型,往往还需要在应用程序设计和分布式系统等多领域具备专业技能。随着数据集和变量的增加,企业不得不重复这样的过程才能通过新的信息继续学习和演化,因为老的模型早已过时。这些挑战和障碍意味着除非是资金充足的组织和研究机构,否则机器学习对其他人来说完全是可望而不可及的。</p>\n<h4><a id=\"_39\"></a><strong>迎接机器学习新时代</strong></h4>\n<p>为了让各行各业从机器学习中收益,我们推出了 Amazon SageMaker。作为旗舰级的机器学习托管服务,<strong>Amazon SageMaker 可以帮助开发者、数据科学家和业务分析师轻松快速地准备数据,并大规模地构建、训练、部署高质量机器学习模型</strong>。过去五年来,我们为该服务增加了超过250项新功能和能力,包括全球首个机器学习集成开发环境(IDE)、模型调试器、模型监视器、模型分析器(Profiler)、Auto 机器学习、特征存储、无代码开发能力以及首个专用的持续集成和持续交付(CI/CD)工具,借此让云端和边缘设备上的 机器学习 更简单、更易于扩展。</p>\n<p>2021年,为了进一步推动机器学习的民主化,让更多用户能够接触到机器学习,我们在 re:Invent 大会上发布了无代码机器学习工具 <strong>Amazon SageMaker Canvas</strong>。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/0f290508ce80477d963fab634a86a6a5_image.png\" alt=\"image.png\" /></p>\n<p>今天,客户可以通过一系列工具(面向数据科学家的 IDE 和面向业务分析师的无代码开发环境),借助 Amazon SageMaker 进行创新。他们可以访问、标记、处理大量结构化数据(表格化数据)和非结构化数据(照片、视频、音频),借此进行机器学习。在 Amazon SageMaker 的帮助下,客户可以通过优化的基础设施将训练模型所需时间由数小时缩短至数分钟。最后,客户还可以在自己的组织中全面实施自动化、标准化的机器学习运维(MLOps)实践,以大规模地构建、训练、部署并管理模型。</p>\n<h4><a id=\"_52\"></a><strong>面向下一代创新的新功能</strong></h4>\n<p>展望未来,亚马逊云科技将继续积极开发新功能,帮助客户更好地运用机器学习。</p>\n<p><strong>例如:</strong></p>\n<p>Amazon SageMaker 多模型端点(Multi-model endpoints, MME)可供客户在一个 Amazon SageMaker 端点上部署上千个机器学习模型,并通过为所有模型共享端点背后的实例来降低成本。</p>\n<p>直到不久前,MME 还只能支持 CPU,但 Amazon SageMaker MME 现在也可以支持 GPU 了。客户可以使用 Amazon SageMaker MME 在 GPU 实例上部署深度学习模型,通过将成千上万个深度学习模型部署到一个多模型端点,<strong>最高可节约90%的成本</strong>。</p>\n<p>Amazon SageMaker 还扩展了对 Amazon Graviton2和 Graviton3处理器驱动的计算优化型 Amazon Elastic Compute Cloud(Amazon EC2)实例的支持,这些实例都很适合基于 CPU 的机器学习推理,客户可以根据工作负载实际情况将其部署在最适合的实例中。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/6aa31e1af16f4b5ebed6941616a02679_image.png\" alt=\"image.png\" /></p>\n"}