Amazon kündigt mehrere Funktionen für SageMaker an, darunter erweiterte Möglichkeiten zur besseren Aufbereitung und Analyse von Daten für maschinelles Lernen Schnelleres Onboarding mit automatischen Daten von der lokalen Festplatte in SageMaker Canvas importieren und die Testen von Machine-Learning-Workflows in lokalen Umgebungen für SageMaker-Pipelines.
Business-Analysten können mit selbst zuverlässige ML-Prognosen erstellen SageMaker-Leinwand, eine visuelle Point-and-Click-Oberfläche, ohne vorherige Kenntnisse im maschinellen Lernen oder Programmierkenntnisse. SageMaker Canvas macht es einfach, auf Daten aus verschiedenen Quellen zuzugreifen und sie zusammenzuführen, Daten automatisch zu bereinigen und ML-Modelle zu erstellen, um mit nur wenigen Klicks präzise Vorhersagen zu erhalten.
Benutzer von SageMaker Canvas können Daten aus einer Reihe von Quellen importieren, darunter lokale Festplatten, Amazon S3, Amazon Redshiftund Schneeflocken. Ab sofort können Benutzer Datensätze von ihrer lokalen Festplatte direkt auf SageMaker Canvas hochladen, ohne ihre Administratoren zu konsultieren, da die erforderlichen Berechtigungen bereits aktiviert sind. Beim Erstellen einer Domäne kann SageMaker eine ursprungsübergreifende Ressourcenfreigabe (KOR)-Richtlinie zum integrierten Amazon S3-Bucket für lokale Datei-Uploads hinzufügen, indem Sie die Einstellung „Canvas-Berechtigungen aktivieren“ für Administratoren aktivieren. Wenn Administratoren nicht möchten, dass Domänenbenutzer lokale Dateien automatisch hochladen, können sie diese Funktion deaktivieren. In allen AWS-Bereichen, in denen SageMaker Canvas unterstützt wird, ist jetzt ein schnelleres Onboarding mit automatischem Daten-Onboarding von der lokalen Festplatte möglich.
Zusätzliche Funktionen für die Datenvorbereitung und -analyse in Amazon SageMaker Canvas umfassen die Möglichkeit, mehrere Stichprobengrößen für Datensätze anzugeben sowie fehlende Werte und Ausreißer zu ersetzen. Mit nur wenigen Klicks macht es SageMaker Canvas einfach, auf Daten aus vielen Quellen zuzugreifen und sie zu mischen, Daten automatisch zu bereinigen und ML-Modelle zu erstellen, die präzise Vorhersagen liefern.
Endlich verwenden SageMaker-Pipelineskönnen Sie Pipelines für maschinelles Lernen erstellen, die sich direkt in SageMaker integrieren lassen. Mit SageMaker Pipelines können Sie jetzt Pipelines auf einem lokalen Computer erstellen und testen. Mit dieser Version können Sie die Konformität Ihrer Sagemaker Pipelines-Skripte und -Parameter lokal überprüfen, bevor Sie sie auf SageMaker in der Cloud ausführen.
Die folgenden Schritte werden vom Sagemaker Pipelines Local Mode unterstützt: Processing, Training, Transform, Model, Condition und Fail. Dank dieser Phasen haben Sie die Freiheit, verschiedene Entitäten in Ihrem Machine-Learning-Workflow anzugeben. Sie können Skript- und Pipeline-Definitionsprobleme schnell und effektiv beheben, indem Sie den lokalen Modus von Pipelines verwenden. Durch ein Upgrade der Sitzung können Sie Ihre Arbeitsabläufe problemlos vom lokalen Modus in die verwaltete Umgebung von Sagemaker umwandeln.
Die neuen Funktionen ergänzen die Palette der Datenvorbereitungsfunktionen und erweiterten Datentransformationen, die von unterstützt werden Amazon SageMaker.