[2020年5月12日，北京] 亞馬遜云服務Amazon Web Services, Inc. (AWS) 今天宣布，Amazon SageMaker在由西云數據運營的AWS中國 (寧夏) 區域和光環新網運營的AWS中國（北京）區域正式上線。Amazon SageMaker 是一項完全托管的服務，可以幫助開發者和數據科學家快速地規模化構建、訓練和部署機器學習 (ML) 模型。Amazon SageMaker在中國的上線還使中國客戶獲得一系列新發布的工具，例如彈性Notebook、實驗管理、模型自動創建、模型調試分析，以及模型概念漂移檢測等強大功能，所有這些工具都封裝在首個面向機器學習的集成開發環境(IDE) Amazon SageMaker Studio中。進一步了解Amazon SageMaker，請訪問: https://www.amazonaws.cn/sagemaker/。

機器學習的實施是一項非常復雜的工作，涉及大量試錯，并且需要專業技能。開發者和數據科學家首先必須對數據進行可視化、轉換和預處理，這些數據才能變成算法可以使用的格式，用以訓練模型。即使是簡單的模型，企業也需要花費龐大的算力和大量的訓練時間，并可能需要招聘專門的團隊來管理包含多臺GPU服務器的訓練環境。從選擇和優化算法，到調節影響模型準確性的數百萬個參數，訓練模型的所有階段都需要大量的人力和猜測。然后，在應用程序中部署訓練好的模型時，客戶又需要另一套應用設計和分布式系統方面的專業技能。并且，隨著數據集和變量數的增加，模型會過時，客戶又必須一次又一次地重新訓練模型，讓模型從新的信息中學習和進化。所有這些工作都需要大量的專業知識，并耗費龐大的算力、數據存儲和時間成本。而且，由于沒有集成化的工具用于整個機器學習的工作流，機器學習模型的傳統開發方式是復雜、繁復和昂貴的。

Amazon SageMaker消除了機器學習過程中各個步驟的繁重工作。通過預置的Notebook、針對PB級數據集優化的常用算法，以及自動模型調優，Amazon SageMaker大大降低了模型構建和訓練的難度。并且，Amazon SageMaker顯著簡化和加快了模型訓練過程，可以通過自動提供和管理基礎設施來訓練模型和運行推理。同時，AWS 最近宣布了多項重要功能和高級特性，讓客戶能夠更輕松地構建、訓練、調優和部署機器學習模型。這些功能包括：

?面向機器學習的集成開發環境（IDE）：Amazon SageMaker Studio將所有用于機器學習的組件集中在一個地方。跟使用集成開發環境（IDE）做軟件開發一樣，開發者現在可以在Amazon SageMaker Studio中查看和組織源代碼、依賴項、文檔和其它應用程序資產，例如用于移動應用程序的圖像。當前，機器學習工作流有大量組件，其中許多組件都帶有它們自己的一組各自獨立的工具。Amazon SageMaker Studio IDE為所有Amazon SageMaker功能和整個機器學習工作流提供了一個統一界面。Amazon SageMaker Studio為開發者提供了創建項目文件夾、組織Notebook和數據集，以及協作討論Notebook和結果的功能。Amazon SageMaker Studio使構建、訓練、解釋、檢查、監視、調試和運行機器學習模型變得更簡單、更快。

?彈性筆記本：Amazon SageMaker Notebooks提供了一鍵啟用的Jupyter Notebook，具有秒級的彈性計算提升能力。Notebooks包含了運行或重新創建機器學習工作流所需的一切要素。在此之前，云服務器，要查看或運行Notebook，開發者需要在Amazon SageMaker中啟動計算實例。如果他們發現需要更多的算力，必須啟動一個新實例，轉移Notebook，關閉舊實例。而且，由于Notebook與計算實例是耦合的，通常存在于開發者的工作站上，其共享和迭代協作很不容易。Amazon SageMaker Notebooks提供了彈性的Jupyter Notebook，讓開發者可以輕松地調高或降低Notebook需要的算力（包括GPU加速）。這些調整在后臺自動發生，不會打斷開發者的工作。開發者不再需要浪費時間來關閉舊實例、在新實例中重新創建所有工作，云主機，從而可以更快地開始構建模型。Amazon SageMaker Notebook還可以自動復制特定環境和庫依賴項，實現Notebook一鍵共享。這將使構建模型的協作變得更容易，比如，一個工程師可以很容易地將手頭工作共享給其他工程師，讓他們在現有工作的基礎上構建模型。

?實驗管理：Amazon SageMaker Experiments可以幫助開發者組織和跟蹤機器學習模型的迭代。機器學習通常需要多次迭代，目的是隔離和衡量更改特定輸入時的增量影響。這些迭代過程可能會生成數百個實驗構件，如模型、訓練數據和參數設置。但是，開發者目前缺乏一個便利的實驗管理機制，甚至不得不依賴電子表格來跟蹤實驗，手動對這些構件進行排序，以了解對應的影響。Amazon SageMaker Experiments自動捕獲輸入參數、配置和結果，并將它們存儲為“實驗”，幫助開發者管理這些迭代。開發者可以瀏覽活躍的實驗，根據特征搜索以前的實驗，回顧以前的實驗結果，還能用可視化的方式比較實驗結果。Amazon SageMaker Experiments也保留了實驗的完整譜系，如果一個模型開始偏離其預期結果，開發者可以及時回溯和檢查。因此，Amazon SageMaker Experiments使開發者更容易快速迭代和開發高質量的模型。